[发明专利]一种基于多尺度深监督网络的视网膜图像血管分割方法

权利要求书

1.一种基于多尺度深监督网络的视网膜图像血管分割方法，其特征在于，包括下列步骤：

1)准备初始数据：初始数据包含视网膜图片以及对应的人工标注的像素级血管图片；所述图片经过预处理后成为数据集合，集合中的每组数据包含一张视网膜图片的切片和一张对应的人工标注的像素级血管图片的切片，上述两种切片的大小为n×n像素，n为4的倍数；

2)搭建多尺度深监督网络结构：本采用编码器-解码器结构，并且按照特征图大小分为三个层次，三个层次的图片大小分别为n×n像素、n/2×n/2像素和n/4×n/4像素；其中，层次A包含卷积模块1_1、卷积模块1_2、侧面输出模块A、边界优化模块A；层次B包含卷积模块2_1、卷积模块2_2、侧面输出模块B、边界优化模块B；层次C包含卷积模块3_1、侧面输出模块C、边界优化模块C；

将步骤1)得到的初始数据，输入到层次A中的卷积模块1_1，再经过池化层a将特征图大小变为原来的一半，输入到层次B中的卷积模块2_1,再经过池化层b将特征图大小再变为原来的一半，输入到层次C中的卷积模块3_1,卷积模块3_1经上采样层a后按照通道维度与卷积模块2_1拼接，拼接后输入卷积模块2_2，卷积模块2_2输出再经上采样层b后按照通道维度与卷积模块1_1拼接，拼接后输入卷积模块1_2；卷积模块1_2、卷积模块2_2和卷积模块3_1的输出分别作为侧面输出模块A、B、C的输入，侧面输出模块A、B、C的输出分别作为边界优化模块A、B、C的输入，边界优化模块A、B、C的输出分别接平衡交叉熵损失函数

将侧面输出模块A、B、C的输出按照通道维度直接拼接，拼接后输入一个卷积层，卷积层的输出再经过一个边界优化层模块D，边界优化模块D的输出接平衡交叉熵损失函数L_fuse；

3)基于步骤2)得到的多尺度深监督网络并使用平衡交叉熵作为损失函数进行训练。

2.根据权利要求1所述的一种基于多尺度深监督网络的视网膜图像血管分割方法，其特征在于，所述的平衡交叉熵损失函数，计算公式如下：

L＝L_side+L_fuse

其中，L为本多尺度深监督网络的总损失值，L_fuse为融合模块的损失值，L_side为三个不同尺度模块的损失值，L_side的计算公式如下：

其中，α_i为系数，i表示深度监督的损失函数数量，定义域为[1,3]，α_i恒取值为1，和L_fuse计算公式，统一记为l：

其中β＝|Y_-|/|Y|，1-β＝|Y₊|/|Y|，Y₊为人工标注图所有血管内的像素点的集合，Y_{_}为人工标注图所有血管外的像素点的集合，Y为人工标注图所有像素点的集合，|·|为像素求和公式；∑为求和运算符，log(·)为对数计算公式，Pr(·)为概率计算公式，X为所有眼底图像中像素点的集合，y_j为人工标注的视网膜图像的值。

3.根据权利要求1或2所述的一种基于多尺度深监督网络的视网膜图像血管分割方法，其特征在于，所述边界优化模块是计算卷积层输入信息与经卷积层计算后输出信息的残差，公式如下：

y＝F(x,{W_i})+x

式中，y表示卷积层的最终输出结果，F表示卷积计算函数，具体实施时将输入特征图依次经过卷积层、激活函数层、卷积层，x表示输入特征图矩阵，i表示卷积层索引数，定义域为[1,2]，W_i表示第i个卷积层的权重矩阵。

4.根据权利要求1或2所述的一种基于多尺度深监督网络的视网膜图像血管分割方法，其特征在于，所述的每个卷积模块，具体将输入特征图依次经过卷积层、激活函数层、卷积层、激活函数层。

5.根据权利要求4所述的一种基于多尺度深监督网络的视网膜图像血管分割方法，其特征在于，所述激活函数层的激活函数均为Relu，公式如下：

其中，y表示激活函数层的最终输出结果，x表示输入特征图矩阵。

6.根据权利要求1或2所述的一种基于多尺度深监督网络的视网膜图像血管分割方法，其特征在于，所述的每个侧面输出模块具体是将输入特征图依次经过卷积层和反卷积层。