[发明专利]基于通道加权和Dilated卷积神经网络的眼底图像出血点分割方法

说明书

本发明提供了一种基于通道加权和Dilated卷积神经网络的眼底图像出血点分割方法，该方法包括：1)扩展训练样本数据集；2)将网络的浅层特征与深层特征级联，以Dilated卷积代替普通的卷积形式；3)结合通道维度特征，将基于通道加权模块和Dilated卷积相结合；4)用训练好的网络模型对眼底图像中硬性出血点病变进行检测。与传统方案相比，本发明利用了深度学习技术，可以在大量样本集下训练模型，自动检测视网膜眼底图像中的出血点病变，解决了传统方法分割不准确的问题，提高了出血点的检测准确率。

技术领域

本发明涉及一种基于通道加权和Dilated卷积神经网络的眼底图像出血点分割方法，可用于眼底图像出血点自动检测，属于图像处理、深度学习领域。

背景技术

糖尿病DM是一种常见的内分泌代谢疾病，以高血糖为主要特征，可导致人体眼、肾、心脏等各种组织功能障碍。由于糖尿病的发展是不可逆的，因此，预防的关键是早筛查、早诊断、早治疗。糖尿病性视网膜病变DR是导致继发性失明最常见的原因之一，被认为是所有糖尿病并发症中最危险的疾病之一，DR的主要症状是眼底各组织结构发生病变。由于糖尿病预防的关键是早筛查、早诊断、早治疗，因此，尽早的发现眼底病变对于治疗糖尿病有着至关重要的作用。

眼底图像是目前观察眼底各种组织结构特征和病变的主要依据。视网膜眼底图像中存在着多种结构，出血点通常数量较多且范围广，在眼底图像中容易被观察检测到，出血点数目和面积的变化对病症的诊断分期有着重要的参考作用。但医院每天会拍摄成百上千幅眼底图像，导致眼科医生需要耗费大量时间分析眼底图像，因此采用人工方法处理眼底图像费时费力。此外，单凭人眼，较小的出血点很难与微动脉瘤区分开。而且医生多数都是依靠自身经验主观判断，存在评判标准不统一、检测速度缓慢等缺点，所以设计一种自动检测眼底图像出血点的方法来辅助医生诊断眼科疾病具有重要的临床实践意义。

深度学习技术近几年得到了研究者们广泛关注，特别是在医学图像研究领域取得了显著成就，为医疗诊断提供了帮助。因此，基于深度学习的眼底图像出血点病变检测方法对于大规模的眼底图像出血点检测有着重要的意义。

发明内容

本发明为了达到上述目的，自动、准确的检测眼底图像出血点，提出了一种基于通道加权和Dilated卷积神经网络的眼底图像出血点分割方法，本发明采用如下的技术方案：

步骤1：选择出血点数量不同的眼底图像，将图像的原始尺寸归一化为相同的像素，每张眼底图像再按同一大小进行分块，采用此方法对样本进行扩充；

步骤2：Dilated卷积代替普通的卷积形式，，使网络对各个通道进行有选择的特征提取，节省计算量的同时增大局部感受野，获得更多像素的空间关系；

步骤3：引入通道加权单元模块，将Dilated卷积与通道加权模块相结合；

步骤4：利用改进的网络模型对眼底图像中出血点病变进行分割，输出检测结果。

附图说明

图1本发明的流程图；

图2不同程度出血的眼底图像示例：(a)无出血点，(b)少量出血点，(c)大量出血点；

图3普通PixelNet网络结构；

图4(a)原始图像，(b)标注图；

图5 Dilated卷积示意图；

图6不同R值训练过程的Loss曲线；

图7不同R值在测试集上的Accuracy曲线；

图8 D-SE模块结构图；

图9 Dilated卷积结合通道加权的网络结构；