[发明专利]一种基于卷积神经网络的视网膜血管分割方法

权利要求书

1.一种基于卷积神经网络的视网膜血管分割方法,其特征在于，所述的视网膜血管分割方法包括以下步骤：

S1、对数据库中的视网膜血管图像进行预处理，包括灰度转换、标准化、对比度受限直方图均衡化和Gamma校正；

S2、对数据库训练集中的经过预处理的图片进行块提取，进行样本扩充，用于作为神经网络结构的训练样本；

S3、基于Encoder-Decoder结构构建视网膜血管分割卷积神经网络，将步骤S2提取的图像块作为卷积神经网络的输入，对网络进行训练，得到视网膜血管图像分割的模型参数；所述的卷积神经网络的结构分为Encoder部分和Decoder部分，Encoder部分包括四个Encoder卷积块，依次为顺序连接的第一Encoder卷积块、第二Encoder卷积块、第三Encoder卷积块和第四Encoder卷积块，并且每个Encoder卷积块后面均连接一个池化层和ReLU层；Decoder部分包括四个Decoder卷积块，依次为顺序连接的第一Decoder卷积块、第二Decoder卷积块、第三Decoder卷积块和第四Decoder卷积块，并且每个Decoder卷积块前面连接一个反卷积层和ReLU层；其中，第一Encoder卷积块的输出连接到第四Decoder卷积块的输入、第二Encoder卷积块的输出连接到第三Decoder卷积块的输入、第三Encoder卷积块的输出连接到第二Decoder卷积块的输入、第四Encoder卷积块的输出连接到第一Decoder卷积块的输入，从而形成跳过连接；

所述的Encoder卷积块和Decoder卷积块具有相同的内部结构，依次为顺序连接的卷积层、ReLU层、Dropout层、卷积层、整合层，在卷积块输出之前，将卷积块的输入和输出通过整合层连接起来，一起作为网络下一部分的输入，形成卷积块内部的跳过连接；

S4、将测试样本输入卷积神经网络，在每个测试图像中提取多个连续的重叠片段，对多个预测结果进行平均获得每个像素的分类概率，得到视网膜血管的分割结果图；

其中，所述的步骤S4过程如下：

将测试样本输入卷积神经网络，在每个测试图像中按照步长为7连续提取多个重叠片段，每个像素点对应多个图像块，每个图像块输入网络中进行一次分割，将多个预测结果进行平均获得每个像素的属于每一类的概率，最后进行二值化得到视网膜血管的分割结果图。

2.根据权利要求1所述的一种基于卷积神经网络的视网膜血管分割方法，其特征在于，所述的步骤S1、对数据库中的视网膜血管图像进行预处理的过程如下：

S11、对每一幅彩色视网膜图像进行灰度转换，赋予R、G、B三个通道的值不同的权重，根据公式Gray = R*0.299 + G*0.587 + B*0.114，将原始图像转化为单通道灰度图；

S12、将灰度图进行归一化处理；

S13、对图像进行对比度受限直方图均衡化处理以及Gamma校正来调节图像的对比度。

3.根据权利要求1所述的一种基于卷积神经网络的视网膜血管分割方法，其特征在于，所述的步骤S2中图像块提取方法为在每张视网膜图像上进行随机图像块提取，首先设定提取图像块的大小，包括宽度和高度，以及每张图像提取的块数量n，然后在原始图像上随机提取连续的图像块。

4.根据权利要求1所述的一种基于卷积神经网络的视网膜血管分割方法，其特征在于，

所述的池化层采用最大池化的方法，对特征图进行下采样，减少参数，核的大小为2x2，步长为2；

所述的ReLU层采用ReLU激活函数，用于实现数据的非线性变换；

所述的反卷积层用于对输入的特征图进行上采样，恢复在池化过程中丢失的空间信息，最后将图片恢复到与卷积神经网络输入图片的大小相等，以实现端到端的分割。

5.根据权利要求1所述的一种基于卷积神经网络的视网膜血管分割方法，其特征在于，所述的Dropout层将在训练过程中每次更新参数时按一定概率rate随机断开输入神经元，Dropout层用于防止过拟合。

6.根据权利要求1至5任一所述的一种基于卷积神经网络的视网膜血管分割方法，其特征在于，所述的数据库采用DRIVE公开数据库作为实验数据，该数据库中共有40张视网膜眼底图像，分为训练集和测试集，训练集和测试集分别有20张图像，在训练集中，每张视网膜图像有一张原始图像和一个相对应的专家手动分割图，将专家分割结果作为标准即训练数据的标签用于网络模型的训练；在测试集中的每张视网膜原始图像有两个专家对应的手动分割图，在测试过程中，将第一个专家的分割结果作为真值来评估本发明所提出模型的分割性能，将得到的各种指标值和第二个专家的分割结果进行对比。