[發明專利]一種視網膜血管分割方法及系統

在審

• 申請號: 202211365759.0
• 申請日: 2022-10-31
• 公開（公告）號: CN115661168A
• 公開（公告）日: 2023-01-31
• 發明（設計）人: 易玉根;黃龍軍;郭常祿;周唯;周斌
• 申請（專利權）人: 江西師范大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06V10/774;G06V10/82;G06V20/70;G06N3/0455;G06N3/0442;G06N3/082
• 代理公司: 北京一枝筆知識產權代理事務所(普通合伙) 11791
• 代理人: 李鎮

1.一種視網膜血管分割方法，其特征在于，包括：

獲取視網膜圖像數據集；

對所述視網膜圖像數據集進行處理，得到處理后的視網膜圖像數據集；

構建雙向ConvLSTM殘差UNet模型；

對所述雙向ConvLSTM殘差UNet模型進行訓練，得到訓練后的雙向ConvLSTM殘差UNet模型；

將所述處理后的視網膜圖像數據集輸入至所述訓練后的雙向ConvLSTM殘差UNet模型中，得到視網膜血管分割結果。

2.根據權利要求1所述的視網膜血管分割方法，其特征在于，所述對所述視網膜圖像數據集進行處理，得到處理后的視網膜圖像數據集，具體包括：

對所述視網膜圖像數據集進行水平、旋轉、對角線和垂直翻轉增強處理，得到處理后的視網膜圖像數據集。

3.根據權利要求1所述的視網膜血管分割方法，其特征在于，所述雙向ConvLSTM殘差UNet模型為編碼器-解碼器結構模型。

4.根據權利要求1所述的視網膜血管分割方法，其特征在于，所述構建雙向ConvLSTM殘差UNet模型，具體包括：

設計一種編碼器結構模型，提取最具有代表性和判別力的圖像高級語義信息特征，所述編碼器結構模型的設計由三個步驟組成，每個步驟都包括一個SDRB和一個最大池化操作；

設計一種解碼器結構模型，恢復初始圖像信息，所述解碼器結構模型包括三個步驟，每一個步都是對前一個步驟的輸出執行上采樣，采樣過程包括步長為2的轉置卷積和歸一化層操作；

采用雙向卷積長短記憶神經網絡模型結合所述編碼器結構模型中第一個結構化Dropout殘差塊的輸出和所述解碼器結構模型中最后一步上采樣的輸出。

5.根據權利要求1所述的視網膜血管分割方法，其特征在于，還包括：

采用準確度、靈敏度、特異度、F1分數、接受者操作特征曲線的曲線下面積、交并比和馬修斯相關系數作為評價指標對所述視網膜血管分割結果進行評價。

6.一種基于權利要求1至5任一項所述的視網膜血管分割方法的系統，其特征在于，包括：

視網膜圖像數據集獲取模塊，用于獲取視網膜圖像數據集；

視網膜圖像數據集處理模塊，用于對所述視網膜圖像數據集進行處理，得到處理后的視網膜圖像數據集；

模型構建模塊，用于構建雙向ConvLSTM殘差UNet模型；

模型訓練模塊，用于對所述雙向ConvLSTM殘差UNet模型進行訓練，得到訓練后的雙向ConvLSTM殘差UNet模型；

視網膜血管分割結果確定模塊，用于將所述處理后的視網膜圖像數據集輸入至所述訓練后的雙向ConvLSTM殘差UNet模型中，得到視網膜血管分割結果。

7.根據權利要求6所述的視網膜血管分割系統，其特征在于，所述視網膜圖像數據集處理模塊具體包括：

視網膜圖像數據集處理單元，用于對所述視網膜圖像數據集進行水平、旋轉、對角線和垂直翻轉增強處理，得到處理后的視網膜圖像數據集。

8.根據權利要求6所述的視網膜血管分割系統，其特征在于，所述雙向ConvLSTM殘差UNet模型為編碼器-解碼器結構模型。

9.根據權利要求6所述的視網膜血管分割系統，其特征在于，所述模型構建模塊具體包括：

編碼器結構模型設計單元，用于設計一種編碼器結構模型，提取最具有代表性和判別力的圖像高級語義信息特征，所述編碼器結構模型的設計由三個步驟組成，每個步驟都包括一個SDRB和一個最大池化操作；

解碼器結構模型設計單元，用于設計一種解碼器結構模型，恢復初始圖像信息，所述解碼器結構模型包括三個步驟，每一個步都是對前一個步驟的輸出執行上采樣，采樣過程包括步長為2的轉置卷積和歸一化層操作；

融合單元，用于采用雙向卷積長短記憶神經網絡模型結合所述編碼器結構模型中第一個結構化Dropout殘差塊的輸出和所述解碼器結構模型中最后一步上采樣的輸出。

10.根據權利要求6所述的視網膜血管分割系統，其特征在于，還包括：

分割結果評價模塊，用于采用準確度、靈敏度、特異度、F1分數、接受者操作特征曲線的曲線下面積、交并比和馬修斯相關系數作為評價指標對所述視網膜血管分割結果進行評價。