[发明专利]一种用于眼底图像血管分割的神经网络模型

说明书

本发明涉及用于眼底图像血管分割的神经网络模型，最高层的血管特征处理层通过后向短连接与最低层的血管特征优化层连接；每个血管特征优化层通过前向短连接与高一层的血管特征优化层连接；每个血管特征优化层，用于获取连接的血管特征处理层的上采样图像；最低层的血管特征优化层，还用于获取最低层的血管特征提取层的特征图像；每个血管特征优化层，还用于对获取的每个图像均依次进行血管特征提取及非线性化处理，得到每个图像对应的非线性化图像，并通过前向短连接将获取的每个图像发送给高一层的血管特征优化层。本发明通过后向短连接将高层信息传递给低层，通过前向短连接将低层信息传递给高层，充分融合各级特征，使血管分割更加精确。

技术领域

本发明实施例涉及计算机技术领域，具体涉及一种用于眼底图像血管分割的神经网络模型。

背景技术

视网膜眼底图像分析有助于眼科医生处理心血管和眼科疾病的诊断、筛查和治疗，如黄斑变性，糖尿病视网膜病变，青光眼，高血压等。如果不及时治疗，这些疾病可能导致失明。血管分割是视网膜图像分析的基本步骤，有助于糖尿病视网膜病变和中心凹区域的定位。但是在临床实践中，人工标注视网膜图像中的血管耗时且需要有大量经验。因此，视网膜血管自动分割对于减少标注时间是必要的。

近几十年来视网膜图像血管的自动分割方案可以分为两类：无监督方案和有监督方案。

1)无监督方案：无监督方案可以分为三个子类：匹配滤波、血管跟踪和基于模型的算法。匹配滤波利用分段线性逼近以及视网膜血管的类高斯分布来设计匹配的滤波器内核。血管跟踪使用局部信息来划分两点之间的血管，血管纵向横截面的中心由灰度值和血管弯曲度决定。基于模型的算法使用的模型包括血管剖面模型、活动轮廓模型和基于水平集的几何模型。

2)有监督方案：有监督方案可以被看作是像素级别的二分类问题。每个像素属于血管或非血管。有监督方案可以分为三个子类：像素级分类方法、patch(图像块)级分割方法和图像级分割方法。像素级方法使用逐像素分类器来确定其属性，通过提供一个方形窗口来预测每个像素的类别标签，类别标签用于指示像素属于血管还是非血管。例如，采用深度卷积神经网络对血管像素和非血管像素进行分类。在处理大规模视网膜图像时，像素级方法耗时且难以满足临床要求。从某种意义上讲，血管识别可以被看作是一个语义分割问题。通常的分割方法由patch级分割方法和图像级分割方法组成。patch级分割方法的输入是一个patch(图像块)，输出是patch对应的血管图。通过将各patch对应的血管图拼凑在一起来获得视网膜图像的血管分割图。此外，与图像级分割方法相比，引入超参数patch尺寸并将原始视网膜图像划分为多个patch，使得patch级分割方法更加复杂和耗时。图像级分割方法将原始视网膜图像作为输入，输出原始视网膜图像的血管分割图。

可见，无监督方案中，神经网络模型通常涉及较多需要满足的附加条件，对图像的质量要求较高，且分割出的血管精度较低。而有监督方案中，神经网络模型需要逐层提取图像特征，丢失许多有用的信息，导致神经网络模型学得的参数不能完全刻画血管特征。

发明内容

为了解决现有技术存在的问题，本发明的至少一个实施例提供了一种用于眼底图像血管分割的神经网络模型。

为此目的，本发明实施例提出一种用于眼底图像血管分割的神经网络模型，包括：

多个血管特征提取层；

所述多个血管特征提取层基于预设层级顺序提取眼底图像中的血管特征；最低层的血管特征提取层提取眼底图像中的血管特征，得到特征图像；非最低层的血管特征提取层基于低一层的血管特征提取层得到的特征图像进行血管特征提取，得到特征图像；

多个血管特征处理层；

所述多个血管特征处理层与非最低层的多个血管特征提取层一一对应连接；每个所述血管特征处理层对连接的血管特征提取层得到的特征图像进行上采样处理，得到上采样图像；