[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

说明书

本发明公开一种基于深度全卷积神经网络的视网膜眼底图像分割方法，包括：选取训练集和测试集，对视网膜眼底图像提取得到视盘定位区域图像并进行血管去除操作；构建深度全卷积神经网络，将视盘定位区域图像作为其输入，基于已经训练好的权重参数为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，在此基础上进行视杯分割模型的参数微调；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，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。本发明实现视网膜眼底图像的视盘与视杯的自动分割，精度高，速度快。

技术领域

本发明涉及一种基于深度全卷积神经网络的视网膜眼底图像分割方法，属于医学图像处理领域。

背景技术

青光眼是一种慢性眼疾病，它是由于视神经的逐渐损伤导致的视觉功能缺失。目前青光眼已经成为导致失明的第二大原因。尽管青光眼是一种不可治愈的不可逆眼部视觉损伤，但通过有效且及时的治疗可以减缓疾病的恶化。因此，对于青光眼的及时诊断显得至关重要。视杯视盘垂直比是一种被广泛使用的青光眼诊断的重要依据，在目前的临床实践中，杯盘比大多通过医生人工测量和计算，但是人工测量不仅耗时费力，而且不同医生的测量结果存在一定的主观性，因而不适于进行大规模的疾病筛查。因此自动的视杯视盘分割的杯盘比计算越发受到人们的关注。

视网膜眼底图像的视杯视盘分割方法大致可以分成三大类：基于模板的方法、基于形变模型的方法和基于像素点分类的方法，前两种方法主要基于视杯视盘的边缘特征，算法功能的实现好坏极大依赖于视杯视盘边缘和其他结构区域的边缘差异，当出现易混淆的病变时分割算法效果不佳，并且基于形变模型的方法对于初始点的选择相对敏感，对于好的初始化点的选择相对困难。基于像素点分类的方法极大受限于高分辨率图像的较高像素点数量，要实现在像素级别的模型优化十分困难。同时上述分割方法处理过程相对复杂，在图像分割时所需时间也相对较长。

发明内容

发明目的：本发明目的在于针对现有技术的不足，提供一种基于深度全卷积神经网络的视网膜眼底图像分割方法，实现视网膜眼底图像的视盘与视杯的自动分割，精度高，速度快。

技术方案：本发明所述基于深度全卷积神经网络的视网膜眼底图像分割方法，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上预训练好的权重参数为训练初始值，在训练集上进行视盘分割模型的训练以微调模型参数；预处理操作采用现有方法，数据集DRIONS-DB为公开的数据集；

(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。

进一步完善上述技术方案，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。