[发明专利]一种基于生成对抗机制的眼底影像杯盘分割方法

权利要求书

1.一种基于生成对抗机制的眼底影像杯盘分割方法，其特征在于，包括以下步骤：

S1：对原图像进行数据增强操作，通过旋转变换和定位裁剪、对比度增强，增加眼底影像图的数量和提取目标图像缩小特征提取的范围、增强视盘和视杯的特征对比度；

S2：通过U-Net网络自动提取视盘与视杯的特征，通过大量数据增强处理后的视盘图像分别训练出视盘分割模型与视杯分割模型，利用收缩路径中的卷积、批标准化、池化和下采样交替缩小视盘图像尺寸，提取出越来越多的视盘与视杯特征；当特征数量达到指定的数量时，利用扩展路径的上采样、卷积、激活、批标准化逐步恢复图像原本尺寸，并与收缩路径中同层次的图像特征进行融合产生新的特征，进而提炼得到最终的二分类或多分类分割图像，同时生成一个视盘分割模型或视杯分割模型；

S3：建立判别器网络分别对视盘预测分割图像与视杯预测分割图像进行判别，判别器通过卷积、批标准化、激活层的交替操作对预测图像进行新的特征提取，提取出多种特征，最终根据特征对输入图像进行真假判别，专家标签图像判别为1，而U-Net生成器的分割结果判别为0；

S4：将生成对抗机制应用到U-Net分割网络中，形成生成对抗网络，S2生成的分割图像与专家标签图像进行交叉熵损失计算；S2得到的预测分割图像和专家标签图像分别经过S3进行判别，对其结果做损失计算并求两者平均值，进而通过优化器优化得到性能越来越好的判别器；由专家标签图像经由优化后的判别器生成新的预测图像计算得到均方差损失，与U-Net得到的交叉熵损失相加，进而通过优化器优化U-Net网络；不断输入新的视盘图像，在前一张视盘图像训练得到的网络结果上继续优化U-Net网络与判别器网络，通过U-Net网络与判别器网络的迭代进行，不断提高视盘分割与视杯分割的重叠准确率，加快模型的收敛速度，减少训练时间。

2.根据权利要求1所述的一种基于生成对抗机制的眼底影像杯盘分割方法，其特征在于，所述步骤S1包括以下步骤：

S1.1：对眼底影像图进行重设大小和归一化，得到一个统一小尺寸的眼底影像图；

S1.2：对小尺寸的眼底影像图进行旋转操作，以n°进行旋转，得到旋转后的眼底影像图；

S1.3：对旋转后的眼底影像采取定位的操作，提取绿色通道灰度图，对其进行像素值的垂直投影和水平投影得到两个方向的最大值位置，定义为视盘中心位置；

S1.4：以256*256像素大小的窗口对以视盘中心点为中心进行裁剪，得到视盘图像，若裁剪的对象为单通道眼底影像图，则得到单通道视盘图像，若裁剪的对象为多通道彩色眼底影像图，则得到多通道彩色视盘图像；

S1.5：对视盘图像进行对比度增强处理，若视盘图像为单通道灰度图，则直接进行对比度增强处理；若视盘图像为多通道图像，则先分离出多个通道，分别对各个通道灰度图进行对比度增强处理，再合成回多通道彩色图像。

3.根据权利要求2所述的一种基于生成对抗机制的眼底影像杯盘分割方法，其特征在于，步骤S1.5所述对比度增强处理为对比度有限自适应直方图均衡化。