[发明专利]基于生成对抗网络的视网膜血管瘤图像分割方法

权利要求书

1.一种基于生成对抗网络的视网膜血管瘤图像分割方法，其特征在于，包括以下步骤：

构造生成对抗网络结构，所述生成对抗网络包括生成器和判别器；所述生成器包括多个下采样和相同数量的上采样层；所述判别器包括多个下采样层；

将血管瘤人工分割图像和原始眼底视网膜图像作为训练数据，对所述生成对抗网络进行迭代训练，得到最优生成器；

基于所述最优生成器对待分割眼底视网膜图像进行血管瘤图像分割。

2.如权利要求1所述的基于生成对抗网络的视网膜血管瘤图像分割方法，其特征在于，所述生成器包括多个下采样网络层、与下采样网络层数量相同的上采样网络层；其中，所述下采样网络层包括一个下采样层、一个卷积层和一个激活函数层；所述上采样网络层包括一个上采样层、一个卷积层和一个激活函数层。

3.如权利要求1所述的基于生成对抗网络的视网膜血管瘤图像分割方法，其特征在于，所述判别器包括多个下采样网络层和一个全连接层。

4.如权利要求1所述的基于生成对抗网络的视网膜血管瘤图像分割方法，其特征在于，所述将血管瘤人工分割图像和原始眼底视网膜图像作为训练数据，对所述生成对抗网络进行迭代训练包括：

将所述原始眼底视网膜图像作为生成器的输入，基于所述生成器得到生成血管瘤分割图像；

将所述生成血管瘤分割图像和血管瘤人工分割图像作为判别器的输入；

利用判别器对生成器进行反向调节。

5.如权利要求4所述的基于生成对抗网络的视网膜血管瘤图像分割方法，其特征在于，所述判别器和生成器中的权重和偏差均是通过反向传播训练的。

6.如权利要求1所述的基于生成对抗网络的视网膜血管瘤图像分割方法，其特征在于，所述生成器和判别器满足：

其中，x表示人工血管瘤分割图像，满足分布Pdata；z表示生成血管瘤分割图像，满足分布Pdata；判别器D的功能是最大限度地区分输入该判别器的图像是生成血管瘤分割图像还是人工血管瘤分割图像；生成器G功能是最小化(1-D(G(F)))，令D无法正确判别，以此形成整体网络对抗式训练。

7.一种基于生成对抗网络的视网膜血管瘤图像分割装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任一项所述的基于生成对抗网络的视网膜血管瘤图像分割方法。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时执行如权利要求1-8任一项所述的基于生成对抗网络的视网膜血管瘤图像分割方法。

9.一种基于生成对抗网络的视网膜血管瘤图像分割模型生成方法，其特征在于，包括以下步骤：

构造生成对抗网络结构，所述生成对抗网络包括生成器和判别器；所述生成器包括多个下采样和相同数量的上采样层；所述判别器包括多个下采样层；

将血管瘤人工分割图像和原始眼底视网膜图像作为训练数据，对所述生成对抗网络进行迭代训练，得到最优生成器，即视网膜血管瘤图像分割模型。

10.如权利要求9所述的基于生成对抗网络的视网膜血管瘤图像分割模型生成方法，其特征在于，所述将血管瘤人工分割图像和原始眼底视网膜图像作为训练数据，对所述生成对抗网络进行迭代训练包括：

将所述原始眼底视网膜图像作为生成器的输入，基于所述生成器得到生成血管瘤分割图像；

将所述生成血管瘤分割图像和血管瘤人工分割图像作为判别器的输入；

利用判别器对生成器进行反向调节。