[发明专利]基于像素点的视网膜特征结构分割方法

权利要求书

1.一种基于像素点的视网膜特征结构分割方法，包括下列步骤：

步骤1：采集彩色眼底视网膜图像；

步骤2：对采集图像中的特征结构进行标注，分别标注血管、渗出物、视杯视盘、出血点和黄斑；

步骤3：对采集的图像按照健康、非增殖型糖尿病视网膜病变程度和增殖型糖尿病视网膜病变分成五类，构建数据集；

步骤4：对视网膜彩色图像进行FOV提取，确定提取阈值；

步骤5：设计多尺度分割网络，输入四种视网膜图像尺寸训练模型；

步骤6：建立该网络ROC曲线，比较网络之间的灵敏度和特异性。

2.根据权利要求1所述的基于像素点的视网膜特征结构分割方法，其特征在于，步骤3中，该方法构建了自己的数据集，不同于已经开源公开的眼底数据集，我们的数据集对不同年龄，不同性别，不同病情分别进行了标注和说明，包括各个病理等级，且都经过医院眼科专家标注认可，其中多数眼底视网膜照片是一个患者在一段期间内的一组数据，这样更方便以后做病情分析。

3.根据权利要求1所述的基于像素点的视网膜特征结构分割方法，其特征在于，步骤4中，为了把视网膜图像从背景中分割出来，我们通过使用k均值聚类方法将具有相似属性的图像像素分组，在视网膜眼底图像中减少不同颜色的数量，执行自适应阈值处理方法以从视网膜眼底图像的背景中分割FOV边界，由于目的是将FOV与背景区分开，因此阈值必须大于背景像素的强度值，通过将阈值从0(对应于黑色)改变至30来对比观察，选定阈值。

4.根据权利要求1所述的基于像素点的视网膜特征结构分割方法，其特征在于，步骤5中，设计基于像素的多尺度分割网络，网络四条分支网络提取特征各自独立，各个分支参数不共享，因此在数据输入起始处，四条分支分别对原始数据训练，在四个通道的末端将每一个通道的最后一个卷积层提取的特征向量相连，使特征信息更加丰富，将四个通道的特征向量按照1∶1∶1∶1的比例进行全连接，最后输出到接下来的全连接层，使全连接层充分综合了四个通道网络的各自特征，兼顾了预训练模型的泛型通用特征与目标数据集的数据特定特征，四个通道的结合增强了网络的泛化能力。

5.根据权利要求1所述的基于像素点的视网膜特征结构分割方法，其特征在于，步骤5中，第一路通道到第四路通道，在图2中对应的顺序是从上到下，输入图像的尺寸分别是224×224，448×448，896×896共三种尺寸的patch和完整尺寸图像，前三路通道是让网络学习分割目标的局部特征，最后一路通道是让网络学习分割目标的整体特征，每一路的网络预训练结构与PixelNet网络除patch尺寸参数外保持一致。