[发明专利]结合多尺度特征卷积神经网络视网膜血管图像分割方法

权利要求书

1.一种结合多尺度特征卷积神经网络视网膜血管图像分割方法，其特征是，首先，对视网膜图像进行适当地预处理，包括进行限制性对比度自适应直方图均衡处理和伽马亮度调整；同时，针对视网膜图像数据较少的问题进行数据扩增，对实验图像进行裁剪分块，其次，通过构建结合多尺度特征的视网膜血管分割网络，将空间金字塔空洞池化引入编码—解码器结构卷积神经网络，通过多次迭代，自主进行模型参数的优化，实现像素级视网膜血管自动分割过程，得到视网膜血管分割图。

2.如权利要求1所述的结合多尺度特征卷积神经网络视网膜血管图像分割方法，其特征是，具体细化步骤如下：

步骤1：对视网膜血管图像进行预处理

1)将彩色眼底图像转化为灰度图像；

2)图像归一化处理；

3)进行对比度受限的自适应直方图均衡化处理；

4)进行伽马调整，调整图像亮度范围；

5)将图像像素值进行归一化，由[0,255]的范围转化为[0,1]；

步骤2：图像分块和构建训练样本，原始图像的尺寸为W×H，图像块的尺寸为p×p，在原始图像中选取一个区域提取图像块，其中横坐标范围为纵坐标范围为在上述区域内随机选取n个点作为图像块的中心，再裁剪出n个尺寸为p×p的图像块作为训练样本，其中，选定的图像块中心需确保在血管图像有效区域内，同时，对视网膜血管分割的标准图也进行同样的预处理，与训练数据一一对应，选取训练图像分块的1/10作为验证集，其余的样本作为训练集；

步骤3：结合多尺度特征的卷积神经网络构建与训练过程；

首先，构造一个编码—解码器结构的U型网络，用于血管图像的特征提取和分辨率恢复，该网络包括五个部分：输入层，卷积层，池化层，上采样层和输出层，构建的网络为：

编码部分：输入层、两个卷积层、第一池化层、两个卷积层、第二池化层、解码部分：第一上采样层、两个卷积层、第二上采样层、两个卷积层、输出层，编码和解码部分构成了一个U型的分割网络；

步骤4：构建测试样本；

步骤5：测试过程，将测试图像块进行同样的预处理，再输入到已经训练好的网络进行测试，得到视网膜血管分割概率图；将分割后的图像块进行拼接，合成原图尺寸，经过二值化后输出得到视网膜血管分割图。

3.如权利要求2所述的结合多尺度特征卷积神经网络视网膜血管图像分割方法，其特征是，空间金子塔型空洞池化结构：U型网络的第二池化层后面结合一个空间金字塔型的池化结构，该结构由四个不同尺寸的卷积层进行级联：一个1×1的卷积层和三个空洞卷积层，三个空洞卷积的空洞比率rate分别是1、2、4，卷积核都采用3×3的尺寸，随着空洞率增大，卷积操作能够进一步扩大感受野，通过将不同尺寸的空洞卷积层融合，能够将局部细节信息与高级语义信息结合，从而使网络模型学习多层丰富的信息表达；接着将四个并行卷积层的输出特征层进行合并，后面添加一个1×1的卷积层进行批量归一化操作和一个3×3的卷积层，再连接上述U型网络的解码部分；通过梯度下降法对反向传播过程中的参数进行优化，当误差逐渐下降趋于稳定时，网络可以认为已经收敛，输出血管图像对应的标签概率图，得到网络的最优权重和偏移量，保存为该数据库的训练模型。

4.如权利要求2所述的结合多尺度特征卷积神经网络视网膜血管图像分割方法，其特征是，输入图像为I(x,y)，归一化处理过程如下所示：

式中I(x,y)表示(x,y)中的像素值，μ(x,y)表示图像区域像素的均值，σ(x,y)表示图像区域的标准差，Ω表示计算均值和方差的图像区域，i,j区域内坐标点移动的步长，表示归一化后的像素值，m×n代表图像区域像素总数；经过归一化处理，原始图像转化为均值为0，方差为1的图像，表示将归一化图像进行灰度拉伸后的像素值。

5.如权利要求2所述的结合多尺度特征卷积神经网络视网膜血管图像分割方法，其特征是，构建测试样本时，为了能够完全将图像分成若干相同尺寸的图像块，在图像周围进行零填充，测试图像的尺寸为W×H，图像块尺寸为p×p，其中图像分块的移动步长s×s，具体填充规则如下：

mod＝(H-p)％s，mod＝(W-p)％s (6)

式中和分别表示填充后的高度和宽度，上述分块得到的图像块的数量m表示为：