[发明专利]一种基于卷积神经网络的视网膜血管分割方法

说明书

本发明公开了一种基于卷积神经网络的视网膜血管分割方法，包括：对视网膜眼底图像进行预处理；对训练集图像进行块提取；构建血管分割卷积神经网络，用提取到的图像块进行训练；在预测阶段，对每张图像提取多个连续的重叠片段，对多个预测结果取平均获得每个像素的分类概率，得到最后的分割结果图。本发明针对视网膜血管分割提出的新的卷积神经网络结构，是一种基于Encoder‑Decoder结构的对称网络，在Encoder部分和Decoder部分之间添加了两种跳过连接。网络不仅可以实现视网膜图像端到端的分割，而且能在有限的数据集上得到精确的分割结果，并能有效避免梯度消失的问题，相比于现有技术的算法，具有一定的优势。

技术领域

本发明涉及医学图像处理及计算机视觉技术领域，具体涉及一种基于卷积神经网络的视网膜血管分割方法。

背景技术

视网膜眼底图像已被广泛应用于多种心血管和眼科疾病的诊断，筛选和治疗，视网膜血管的分析，在许多临床应用中，揭示全身性疾病的重要信息，具有十分重要的意义。视网膜血管的分割是定量分析的基本步骤。分割的血管树可以用来提取血管的形态属性，如长度，宽度，分支和角度。此外，血管树作为图像中最稳定的特征，已被采用在多模式视网膜图像配准，由于其独特性，血管树也被用于生物识别。手动分割视网膜图像中的血管树是一项繁琐的任务，需要经验和技巧。在开发眼科疾病的计算机辅助诊断系统时，视网膜血管的自动分割已经被认为是一个重要且具有挑战性的步骤。

广泛地说，现有的算法可以分为有监督和无监督的方法。无监督方法主要包括：基于匹配滤波、基于模型的方法等；有监督方法是集中在特征向量的提取以及使用特征作为输入的分类器的设计以区分血管像素和背景。监督方法的性能通常优于无监督方法，对视网膜图像能自动分割并且能产生良好的效果。

大多数监督方法采用支持向量机（SVM）或人工神经网络（ANN）作为分类器。与SVM相比，多层神经网络可以模拟更复杂的输入和输出之间的关系。Marin等人提出了一种基于神经网络的监督方法，训练一个神经网络（NN）进行像素分类。它们同时使用基于灰度和矩不变量的特征来构建7维特征矢量，并利用多层前馈神经网络进行训练和分类。他们的方法报告的准确性，敏感性和特异性分别为0.9452,0.7067和0.9801（DRIVE数据库），和0.9526,0.6944和0.9819 （STARE数据库）。决策树也被用于血管分割，Fraz等人提出了使用增强型决策树的集合方法来进行血管分割。他们利用四种技术来提取特征向量，包括梯度向量场，形态学变换，线特征和Gabor响应。在DRIVE数据库上的平均准确度，灵敏度和特异性分别提高到0.9480,0.7406和0.9807，在STARE数据库上的平均准确度，灵敏度和特异性提高到0.9534,0.7548和0.9763。大多数公开的监督方法使用人工设计的特征来模拟视网膜血管。然而，手动设计特征是一个启发式和艰苦的过程，严重依赖于经验和技能，血管交叉，分支和中心线反射的存在也使得用人工设计的特征精确地分割血管是困难的。而且，为了解决病变，图像噪声等复杂情况，通常需要仔细调整算法中使用的参数。

卷积神经网络（CNNs）可自动从训练图像中集中学习高度代表性的分层特征，基于其在医学图像分割中强大的表现，可以用卷积神经网络来提高分割算法的性能，有着很好的效果。Maninis等人提出了一个统一的视网膜图像分析框架，通过使用深度卷积神经网络进行视网膜血管和视盘分割。由于条件随机场（CRF）可以帮助模拟像素之间的长距离相互作用，并且在存在强度下降和噪声的情况下也可以提高分割性能，Hu等人将CRF整合到视网膜血管分割的深度神经网络中。Dasgupta等人提出了进一步的发展，将完全卷积网络（FCN）用于眼底图像中来分割视网膜血管。用于血管分割的FCN用一个或多个去卷积层代替全连接层，使得分割更快和更精确。然而，作为实现图像分割密集预测的常用网络，FCN只是通过单一的双线性插值来执行反卷积操作，并且难以准确重建血管边界的高度非线性结构。另外，边界细节和语义之间存在固有的张力，尽管定义了跳过架构以分别结合来自深层的语义信息和浅层的外观信息。由于视网膜血管的特殊性，需要更多上下文信息来生成逐像素分类。