[发明专利]基于像素点的视网膜特征结构分割方法

说明书

本发明涉及一种基于像素点的视网膜特征结构分割方法，包括：1)采集彩色眼底视网膜图像；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；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；4)对视网膜彩色图像进行FOV提取，确定提取阈值；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；6)建立该网络ROC曲线，比较网络之间的灵敏度和特异性。结果表明，本方法可以提高视网膜特征分割的准确率，且鲁棒性好。

技术领域

本发明涉及一种基于像素点的视网膜特征结构分割方法，在对彩色眼底视网膜图像结构分割时，准确率比现有技术有较大提升。

背景技术

视网膜病变是日常多种常见病症所导致的结果，诸如糖尿病、动脉硬化、白血病等。这些疾病会导致视网膜长宽、角度甚至导致视网膜血管的增生。临床上经常通过眼底视网膜图像对疾病进行筛查、分析和诊断。通过视网膜动静脉可以判断患者是否有动脉硬化，通过出血点和渗出物的多少可以判断患者是否有糖尿病，通过视杯视盘检测可以判断患者是否有青光眼。因此，为了对疾病进行定量分析和对疾病的早期预防，分割视网膜各部分结构相关工作起到了举足轻重的作用，对医生专家的高效率诊断和人类对一些顽疾的预防有着指导意义，是利用人工智能造福人类的体现。

眼底视网膜的分割问题很早已被全世界专家关注，随之出现了很多分割眼底结构的传统算法，可概括地分为无监督和有监督的两大类分割方法。近年来，深度学习算法取得了关键突破，通过学习浅层特征形成抽象的进一步深层特征，并据此发现数据的分布。与传统方法相比，深度学习让计算机从观测数据中自主学习，根据学习结果自行解决我们之前用传统算法解决的问题。并且已公开很多分割眼底方法。如Khalaf等将卷积神经网络CNN结构简化对眼底图像中的大血管、小血管以及背景进行区分，并采用不同尺寸的卷积核进行调整，在数字视网膜图像血管提取库DRIVE得到了良好的分割结果。Fu等提出基于CNN和条件随机场CRF的视网膜图像血管分割方法，该方法将血管分割作为边界检测问题处理，利用CNN产生分割概率图，再结合CRF得到二值分割结果。继CNN之后，又提出了AlexNet和VGGNet进行分割。但仍旧存在很多弊端：

(1)数据集过小，数据集标注不准确等问题；

(2)对于存在大面积病理特征的视网膜图像，病变区域之间，病变区域与正常区域之间互相干扰，严重影响分割效果；

(3)少部分视网膜图像质量受采集时环境影响较多，导致特征细节与背景对比度低，人工直接手动的对数据集进行标注依赖操作者的技术经验，受主观因素较大，效率也较低。

通过比对各个网络我们发现PixelNet模型是基于特征图的像素点进行学习分割，适合视网膜眼底图像分割。该模型使用VGG-16卷积提取卷积特征，对一个采样的像素点，从多个卷积特征图上提取对应的特征，建立hypercolumn descriptor，然后将该特征输入到一个MLP多层感知器，最后输入分类结果。另外，该网络主要思想本在于训练时候的采样策略，加速训练。提出基于像素的stratified sampling，sparse sampling，发现从训练图像中采样很少的像素就可以得到很好的结果。本发明首先介绍如何建立完善自己的数据集以提供更广泛训练集。接着在PixelNet网络部分结构的基础上，用更完善的VGG-19代替原本的VGG-16以增加网络的宽度。同时，调整网络结构每一层num_output参数，即调整每一层输出的特征图个数，在模型准确率保证的条件下最大化压缩模型大小以提高测试速率。另外，把三层感知机部分根据眼底不同特征的复杂程度对层数进行合理地改变以提高测试效率。最后，我们把网络模型合理分配到多个GPU中对测试集图像进行分割测试，实现图像中各个结构之间的独立分割。

发明内容

有鉴于此，本发明提出了一种基于像素点的视网膜特征结构分割方法，该方法可以提高视网膜特征分割的准确率，且鲁棒性好。