[發(fā)明專利]一種視網(wǎng)膜血管分割方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202211365759.0
• 申請日: 2022-10-31
• 公開（公告）號: CN115661168A
• 公開（公告）日: 2023-01-31
• 發(fā)明（設(shè)計(jì)）人: 易玉根;黃龍軍;郭常祿;周唯;周斌
• 申請（專利權(quán)）人: 江西師范大學(xué)
• 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(chǎn)權(quán)代理事務(wù)所(普通合伙) 11791
• 代理人: 李鎮(zhèn)

本發(fā)明涉及一種視網(wǎng)膜血管分割方法及系統(tǒng)。通過獲取視網(wǎng)膜圖像數(shù)據(jù)集；對本發(fā)明視網(wǎng)膜圖像數(shù)據(jù)集進(jìn)行處理，得到處理后的視網(wǎng)膜圖像數(shù)據(jù)集；構(gòu)建雙向ConvLSTM殘差UNet模型；對本發(fā)明雙向ConvLSTM殘差UNet模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的雙向ConvLSTM殘差UNet模型；將本發(fā)明處理后的視網(wǎng)膜圖像數(shù)據(jù)集輸入至本發(fā)明訓(xùn)練后的雙向ConvLSTM殘差UNet模型中，得到視網(wǎng)膜血管分割結(jié)果。采用本發(fā)明能夠從邊緣、對比度低等區(qū)域的背景中區(qū)分小血管，解決過擬合現(xiàn)象，分割出更為完整的血管。

技術(shù)領(lǐng)域

本發(fā)明涉及血管分割領(lǐng)域，特別是涉及一種視網(wǎng)膜血管分割方法及系統(tǒng)。

背景技術(shù)

由于早期眼科和心血管疾病會導(dǎo)致視網(wǎng)膜血管形態(tài)發(fā)生變化，因此，視網(wǎng)膜血管特征對醫(yī)生診斷這些疾病發(fā)揮重要作用。糖尿病視網(wǎng)膜病變(DR)就是一個典型的例子，也是一種視網(wǎng)膜疾病，成為導(dǎo)致失明的主要原因之一。如果在糖尿病患者的視網(wǎng)膜內(nèi)觀察到視網(wǎng)膜血管舒張，那么需要尤其注意。除此之外，高血壓患者體內(nèi)可能會觀察到由于血管狹窄或動脈血壓升高而導(dǎo)致血管彎曲，也被稱為高血壓視網(wǎng)膜病變(HR)。然而，視網(wǎng)膜血管的密度、曲率、厚度等形態(tài)學(xué)變化信息成為了診斷和發(fā)現(xiàn)這些疾病的重要信息。為了醫(yī)生對這些疾病做出科學(xué)的診斷中起到輔助診斷作用，如何精準(zhǔn)地分割患者視網(wǎng)膜血管圖像成為十分關(guān)鍵。但首先由于視網(wǎng)膜血管的形狀和大小差別極大，病理區(qū)、視盤區(qū)、出血區(qū)、滲出物等導(dǎo)致視網(wǎng)膜圖像中結(jié)構(gòu)和區(qū)域復(fù)雜以及許多邊緣區(qū)域由于對比度較弱，導(dǎo)致準(zhǔn)確分割視網(wǎng)膜血管成為一個具有挑戰(zhàn)的任務(wù)。同時也為自動實(shí)現(xiàn)精確分割視網(wǎng)膜圖像中血管提出了更高的要求。因此，許多自動分割視網(wǎng)膜血管方法由此應(yīng)運(yùn)而生。

一般來說，視網(wǎng)膜血管分割方法大致可以為分無監(jiān)督和有監(jiān)督兩類。無監(jiān)督方法則在訓(xùn)練時不需提供人工標(biāo)注作為參考。基于過濾器方法就是典型的無監(jiān)督方法，如Zhang等人提出一種基于濾波器的方法，采用兩個三維旋轉(zhuǎn)幀進(jìn)行視網(wǎng)膜血管分割。又如Azzoprardi等人提出一種移位濾波-響應(yīng)組合方法可以自動地檢測血管。Zhang等人利用自組織映射進(jìn)行像素聚類，并使用Otsu方法將輸出層中的每個神經(jīng)元劃分為視網(wǎng)膜血管神經(jīng)元或非視網(wǎng)膜血管神經(jīng)元。此外，基于血管跟蹤方法也是一種無監(jiān)督方法。然而，由于無監(jiān)督方法缺乏人工標(biāo)注作為參考，從而導(dǎo)致其性能普遍低于有監(jiān)督方法。

近年來，由于深度學(xué)習(xí)方法具有強(qiáng)大數(shù)據(jù)處理能力、捕捉高級語義特征的能力以及魯棒性，深度學(xué)習(xí)方法被廣泛應(yīng)用到視網(wǎng)膜圖像分割領(lǐng)域，并表現(xiàn)出優(yōu)越的性能。尤其是卷積神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于眾多的圖像處理任務(wù)中，并在視網(wǎng)膜血管分割方面迅速得到大量研究人員的關(guān)注。Ronneberger等提出一種著名的生物醫(yī)學(xué)圖像分割神經(jīng)網(wǎng)絡(luò)架構(gòu)，稱為U-Net，該方法最初應(yīng)用于細(xì)胞分割任務(wù)。但由于涉及患者數(shù)據(jù)隱私及倫理等問題，往往難以獲得醫(yī)學(xué)圖像(如視網(wǎng)膜血管圖像)，使得可用的數(shù)據(jù)集規(guī)模都較小，從而導(dǎo)致現(xiàn)有的深度學(xué)習(xí)模型容易出現(xiàn)過擬合問題。為此，研究學(xué)者開始集中研究輕量級模型，而U-Net方法在小規(guī)模數(shù)據(jù)集中能夠獲得較好的性能。因此，目前大量的視網(wǎng)膜血管分割方法都是基于U-Net方法進(jìn)行擴(kuò)展。例如Fu等通過結(jié)合橫向輸出層和條件隨機(jī)場的模型改進(jìn)血管分割性能。Zhang等將注意力門機(jī)制集成到傳統(tǒng)的引導(dǎo)濾波中得到注意力引導(dǎo)濾波器，該模型可將各種分辨率的特征圖的結(jié)構(gòu)信息合并，同時恢復(fù)空間信息，并去除背景中的復(fù)雜噪聲成分。Wang等提出DEU-Net模型，該模型的上下文路徑用于捕獲更多的語義信息，而空間路徑用于保留特定的信息。為了獲得更好的分割性能，Zhang等基于U-Net中提出一種基于邊緣機(jī)制。Hu等提出一種結(jié)合顯著性機(jī)制的U-Net變體方法。Guo等引入密集殘差網(wǎng)絡(luò)(DRNet)實(shí)現(xiàn)掃描激光眼視鏡(SLO)視網(wǎng)膜圖像中的血管分割。Zhang等提出一種金字塔U-Net方法，該方法提出一種金字塔尺度聚合塊(PSAB)來聚合多層次特征，從而實(shí)現(xiàn)更為精確的視網(wǎng)膜血管分割。雖然上述基于U-Net的方法在一定程度上可以取得可觀的效果，但仍存在問題，如：(1)對于邊緣、對比度低等區(qū)域難以從背景中區(qū)分小血管；(2)由于可使用的樣本較少，很多模型容易出現(xiàn)過擬合現(xiàn)象，從而不能分割出更為完整的血管。

發(fā)明內(nèi)容