[发明专利]基于深度全卷积神经网络的视网膜眼底图像分割方法

权利要求书

1.基于深度全卷积神经网络的视网膜眼底图像分割方法，其特征在于，包括如下步骤：

(1)选取视网膜眼底图像数据集作为训练集和测试集，对视网膜眼底图像的视盘区域进行定位和提取得到视盘定位区域图像；

(2)对提取的视盘定位区域图像进行血管去除操作；

(3)在深度学习工具Caffe库中构建用于图像分割的深度全卷积神经网络，所述深度全卷积神经网络分为视盘分割和视杯分割；

(4)将血管去除后的视盘定位区域图像作为深度全卷积神经网络的输入，输入时对视盘定位区域图像进行各个通道的减均值预处理操作，以在视盘分割数据集DRIONS-DB上预训练好的模型参数作为训练的初始值，在训练集上进行视盘分割模型的训练以微调模型参数；

(5)在训练好的视盘分割模型参数上进行视杯分割模型的参数微调；

(6)用训练好的视杯分割模型在测试集上进行视杯和视盘的分割，对最终分割的结果进行椭圆拟合以获得光滑的椭圆分割边缘，依据视杯和视盘的分割边界计算垂直杯盘比，并将杯盘比结果作为青光眼辅助诊断的重要依据。

2.根据权利要求1所述的基于深度全卷积神经网络的视网膜眼底图像分割方法，其特征在于：所述步骤(2)中的血管去除操作为血管分割和基于掩膜的图像修复操作。

3.根据权利要求1所述的基于深度全卷积神经网络的视网膜眼底图像分割方法，其特征在于：所述深度全卷积神经网络包括卷积层、激活层、池化层、反卷积层和损失函数；所述卷积层是在图像上使用滑动卷积窗口，采用尺寸大小为3×3像素的卷积核与输入数据内一个窗口内的局部数据进行加权求和运算，直到卷积完所有的输入数据；所述激活层采用ReLu修正线性单元，将线性函数转化为非线性，通过激活函数max{0,x}对输入数据进行处理；所述池化层采用最大池化法；所述反卷积层是通过卷积方法将经过池化层后缩减的输入数据的尺寸扩大为原输入图像大小；所述损失函数是根据图像中视盘与视杯区域所占像素和背景区域像素的数量比例，调整其在损失函数中相应的系数以平衡像素数量的差异。

4.根据权利要求1所述的基于深度全卷积神经网络的视网膜眼底图像分割方法，其特征在于：所述步骤(6)中采用训练好的视盘分割模型、视杯分割模型在测试集上进行视杯和视盘的分割，对最终分割的结果进行椭圆拟合以获得光滑的椭圆分割边缘。

5.根据权利要求3所述的基于深度全卷积神经网络的视网膜眼底图像分割方法，其特征在于：所述深度全卷积神经网络共46层，除最后的线性卷积层为1×1大小的卷积核外，剩余卷积层均为3*3的卷积核大小。