[發明專利]融合UNet和邊緣檢測模型的視網膜血管分割方法

在審

• 申請號: 202211161134.2
• 申請日: 2022-09-22
• 公開（公告）號: CN115457066A
• 公開（公告）日: 2022-12-09
• 發明（設計）人: 李佐勇;嚴裴鑫;曹新容;宋李斌;胡蓉;丁詩峰
• 申請（專利權）人: 閩江學院
• 主分類號: G06T7/13
• 分類號: G06T7/13;G06V10/40;G06V10/80;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 陳明鑫;蔡學俊

本發明涉及一種融合UNet和邊緣檢測模型的視網膜血管分割方法?；赨Net網絡，將UNet的普通卷積替換成混合空洞卷積，增大感受野，提取更多的特征；另一方面，使用UNet的編碼器部分替換HED的VGG?16，使用邊緣檢測方法，將血管的輪廓展現出來，最后結合HED的輸出和經過ASSP后的UNet分割的輸出得到最后的結果。本發明能夠提高視網膜血管的分割精度。

技術領域

本發明屬于醫學圖像分割技術領域，具體涉及一種融合UNet和邊緣檢測模型的視網膜血管分割方法。

背景技術

眼底的視網膜血管提供了眼睛甚至整個身體健康的大量信息。不同結構的視網膜血管可以用來診斷某些疾病，比如高血壓或糖尿病。高血壓性視網膜病(HR)是由于長期高血壓的患者的動脈血壓升高或者血管狹窄導致血管彎曲，糖尿病視網膜病變(DR)則是由糖尿病引起的，可能伴隨著血管腫脹。因此，視網膜血管分割是診斷某些疾病的重要步驟，精確地分割視網膜血管是具有重要意義的。目前，分割視網膜血管主要分為兩種方法：手工分割視網膜血管、基于深度學習的方法。視網膜血管分割完成后，醫生可以根據分割的血管結構，診斷病人的一些疾病。然而，人工分割不僅要求專業人員擁有極高的專業能力，而且還是一項費時費力的工作。基于深度學習的方法不僅可以節省人力和時間，而且在精度上也有著極大的保證。視網膜血管分割是眼部疾病檢測的基礎，血管分割的精度直接影響到后續疾病診斷的準確性。

在拍攝的視網膜眼底圖像中，視網膜血管與背景顏色相近，對比度低，辨識起來有些困難，尤其是微血管部分，與背景的區分難度更大。不僅如此，現在的公共的視網膜眼底圖像數據集數量很少，所以需要利用數據增強的方法，比如隨機旋轉、增加高斯噪聲、顏色抖動以及水平、垂直和對角翻轉等，增加數據集的數量，同時其中的一些方法可以提高血管與背景的對比度，從而提高分割的精度。

視網膜眼底血管分割的挑戰在于：(1)視網膜數據集少；(2)血管與背景沒有明顯的差異，在不引入太多假陽性的情況下，找到每一條血管是十分困難的；(3)血管的連通性：血管會因為外界的因素比如光照等導致連通的血管被分割成兩段。

發明內容

本發明的目的在于提升視網膜血管的分割精度，提供一種融合UNet和邊緣檢測模型的視網膜血管分割方法。

為實現上述目的，本發明的技術方案是：一種融合UNet和邊緣檢測模型的視網膜血管分割方法，基于UNet網絡，將UNet的普通卷積替換成混合空洞卷積，增大感受野，提取更多的特征；另一方面，使用UNet的編碼器部分替換HED的VGG-16，將血管的輪廓展現出來，最后結合HED輸出和經過ASPP后的UNet分割的輸出得到最后的結果。

相較于現有技術，本發明具有以下有益效果：

為了提高采集到的視網膜圖像的血管分割精度，特別是邊緣的微血管的分割精度，本發明提出了一種結合邊緣檢測的UNet視網膜血管分割方法。本發明主要基于UNet，首先使用混合空洞卷積替換UNet中的普通卷積，增加感受野大小，提取更多的圖像特征，對分割后的輸出使用Atrous Spatial Pyramid Pooling(ASPP)。另一邊，UNet的編碼器部分被用來替換Holistically-nested edge detection(HED)原本的VGG-16，旨在找出更多的微血管邊緣，提高微血管分割的精度。最后，將HED的輸出和分割后的輸出結合作為最終的分割結果。

附圖說明

圖1為本發明算法的流程圖。

圖2為空洞卷積塊結構。

圖3為DRIVE分割結果圖。

圖4為CHASE_DB1分割結果圖。

圖5中：圖5(a)DRIVE的測試集；圖5(b)本發明算法結果圖；圖5(c)不使用HED的結果圖；圖5(d)UNet的結果圖；圖5(e)手動理想分割結果。