[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

说明书

本发明属于图像处理技术领域，为实现视网膜血管的自动提取与分割，提高对血管阴影与组织形变等因素的抗干扰能力，使血管分割结果的平均准确率更高。本发明，结合多尺度特征卷积神经网络视网膜血管图像分割方法。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。本发明主要应用于医疗器械的设计制造场合。

技术领域

本发明属于人工智能领域与医学图像处理领域相结合，涉及一种基于结合多尺度特征的卷积神经网络的视网膜血管分割方法，能够实现自动地提取和分割血管树图像。

背景技术

在众多眼底疾病中，白内障、青光眼、老年黄斑变性及糖尿病视网膜病变是四大致盲诱因，发病率高且危害严重。由于眼底是人体唯一能够直接观察到血管的部位，因此对眼底图像的分析和处理成为预防和诊断眼底疾病的主要方式。其中，眼底图像血管分割是重要的疾病定量分析手段，许多研究针对眼底图像的血管分割展开。然而目前视网膜血管的分割主要依靠专家进行手工标记，诊断过程耗费大量时间，因此研究一种自动化提取血管的方法尤为重要。

目前，眼底图像的血管分割方法主要分为无监督与监督的方法。无监督的方法利用图像特征之间的关系设计某种规则来提取目标血管，主要包括匹配滤波法、形态学分析、血管追踪、均值聚类算法等。有监督的方法通过提取特征，引入监督信息构造像素分类器，能够获得更好的分割效果。特征提取通常包括Gabor滤波、高斯匹配滤波等方法。像素分类方法一般包括朴素贝叶斯、SVM、随机森林等分类器。然而，传统的监督方法需要手工设计相关特征，在参数优化上需要耗费大量精力和时间，同时此方式受设计者主观经验影响较大。

近年来，深度学习尤其是卷积神经网络理论的快速发展，在工业界和学术界掀起了一股研究热潮，图像分割可以看作是一种像素分类问题，基于深度学习的像素级图像分割方法的主要思想是利用卷积神经网络自动提取图像特征，并从反馈网络学习到监督信息，再利用反卷积操作扩大图像分辨率，恢复原始图像尺寸，得到分割后的结果。

发明内容

为克服现有技术的不足，本发明旨在实现视网膜血管的自动提取与分割，提高对血管阴影与组织形变等因素的抗干扰能力，使血管分割结果的平均准确率更高。为此，本发明采用的技术方案是，结合多尺度特征卷积神经网络视网膜血管图像分割方法。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。

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]；