[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

说明书

本发明公开了一种基于多尺度深监督网络的视网膜图像血管分割方法，属于医学图像处理和计算机视觉领域。以视网膜图像以及对应的人工标注的像素级血管图片为源数据，经过预处理得到若干组数据集合，其中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。构建多尺度深监督神经网络框架，利用图像切片为输入，通过多尺度深监督神经网络可以得到较高的分割正确率。系统容易构建，仅依靠原始切片和训练好的多尺度神经网络即可得到切片的血管分割结果；程序简单，易于实现；利用平衡交叉熵作为损失函数，对多尺度神经网络进行优化，网络训练容易且高效。

技术领域

本发明属于医学图像处理和计算机视觉领域，涉及利用深度学习神经网络框架，分割视网膜图像，提取其中的血管信息，具体涉及到一种基于多尺度深监督网络的视网膜图像血管分割方法。

背景技术

视网膜血管畸变是临床诊断眼底病变的重要依据，因此在建立视网膜图像的计算机辅助诊断(CAD)系统的第一步是进行视网膜图像的血管自动分割。视网膜图像血管的精确分割比较困难，其原因在于:1)眼底视网膜血管粗细不均，其直径从几个像素到几十个像素不等；2)眼底图像的拍照条件和眼底疾病导致的眼底血管特征的不明显。

近年来，深度学习技术快速发展，并逐步被成功应用于图像处理和计算机视觉领域中。在视网膜的血管分割方面，深度学习也得到了应用。例如，一种针对区域图像小块的深层卷积网络方法被提出，用于分割视网膜血管(P.Liskowski and K.Krawiec,'Segmenting Retinal Blood Vessels With Deep Neural Networks',IEEE Transactionson Medical Imaging，2016，2369-2380)；一种基于全卷积网络和条件随机场的方法，也被提出用于视网膜血管的分割(H.Fu,Y.Xu,S.Lin,D.W.K.Wong and J.Liu,'DeepVessel:Retinal Vessel Segmentation via Deep Learning and Conditional Random Field',International Conference on Medical Image Computing and Computer AssistedIntervention,2016)。

与传统的图像处理方法相比，虽然这些基于深度学习方法能够使视网膜血管分割更精确，但是与CAD系统实际需求相比，其分割精度还有一定的差距。其原因在于：第一，这些方法没有考虑到视网膜血管粗细不均一的多尺度特点，其网络结构仅适用于一定粗细范围内的血管提取，对较粗或较细的血管，其提取精度大大降低；第二，这些方法单纯从单个像素的角度来判断其是否属于血管内或血管外，没有结合周围相邻像素的信息，在图像噪声或眼底疾病的情况下，血管分割容易产生漏点和断点。

针对以上问题，本发明参照并综合运用深度学习中的最新技术，设计并提出了一种基于多尺度深监督的新型深层卷积神经网络结构，实现了视网膜图像血管的高精度分割。所提出的网络具有通常分割网络的编码器-解码器(encoder-decoder)结构，能够学习多个尺度下的血管特征。在网络训练时，通过在总损失函数中加入深层监督的损失函数，使网络能针对不同尺度学习到最优的血管特征表达；同时通过跳跃连接，将相邻尺度下的特征相互融合，从而使网络充分综合并有效利用多尺度的血管信息，适应不同粗细的血管分割。此外，为了避免血管分割中的漏点和断点问题，网络中还加入了基于残差网络的边界优化模块，能够结合相邻像素的分割信息，提高血管分割的精度。

发明内容