[发明专利]眼底图像血管分割方法

说明书

本发明提供一种眼底图像血管分割方法，包括如下步骤：S1、对眼底图像数据集进行增广操作，即按一定规则对原始图像进行裁剪，得到增广的数据集，并将数据集划分为训练集与测试集；S2、利用分割网络对增广处理后的训练数据集中每一个眼底图像样本进行血管分割，得到黑白概率图，同时通过图像处理得到训练数据集中分割图像的概率图；S3、利用判别网络区分该概率图是由分割网络所得还是数据集内的分割图像所得，得到数值范围在0～1的置信图来描述输入图像判为真伪的概率；S4、将测试集中的彩色眼底图像输入训练好后的网络中，对得到的结果图进行拼接即可得到眼底血管的完整分割图像。其中步骤S2与S3基于生成对抗网络进行眼底图像血管分割。在步骤S4之前，依次对S2中的分割网络与S3中的判别网络按照所设计的损失函数进行迭代训练，以博弈的方式分别提高两个网络的性能。本方法基于生成对抗思想在生成数据上的优越性，不依赖初始特征的选取且减少了繁复的计算步骤，有效提升了眼底图像血管的分割精度，尤其在细小血管上表现优异。

技术领域

本发明涉及一种非医学目的的眼底图像血管分割方法。

背景技术

视网膜作为眼球结构中的重要组成部分，与全身各系统有着非常重要的联系。视网膜由视盘、黄斑和视网膜血管组成。而视网膜血管作为人身体内唯一可通过无损伤手段直接观察到的较深层次微血管系统，其结构状态变化能为眼科专家提供重要的信息，如动脉硬化、高血压、糖尿病、心血管疾病和老年性黄斑变性等都会对眼底血管产生影响，使其动静脉宽度及弯曲程度发生变动等等。这些信息为眼部相关科学研究提供了重点素材。

目前，临床上普遍使用眼底图像对视网膜血管的状况进行观察。眼底图像通常由一种专门用于视网膜眼底成像的低倍率显微镜，也称为眼底照相机的光学仪器成像获取，具有成本低、操作简单、无创伤等优点[3]。而在目前的临床实践中，由于视网膜血管结构复杂，且受到光照变化和主体差异的影响，医生手工获取血管信息较为困难，且诊断结果较为主观。为此，眼底血管的自动化分割技术在临床上具有十分重要的意义。而设计能够精确提取血管、运算速度快且抗干扰性好的眼底血管自动化分割技术也具有较高的科学研究价值。

Goodfellow等人提出了一种对抗的方法来学习深层生成模型，他们用一个生成对抗网络(Generative Adversarial Networks，GAN)从一个固定的分布p(z)中提取样本z，然后通过一个固定的判别网络g(·)然后来近似模拟训练样本x的分布。生成模型与判别模型同时进行训练，通过最小化对抗性误差，可驱动生成的数据分布近似于输入训练数据。Luc等人第一个提出将对抗生成网络框架应用到图像分割中，以分割网络为生成网络，通过引入多类交叉熵使分类结果与真实分类结果更加接近。Zhu等人利用对抗生成思想来提高小规模数据下模型的健壮性，防止过拟合，其生成网络使用全卷积网络(FullyConvolutional Networks，FCN)对图像做像素级分类，用条件随机场(Conditional RandomField，CRF)捕获高阶信息实现结构学习，最后将网络应用在医学图像分割中。然而，上述工作实现步骤较为复杂且依赖复杂的参数估计过程，应用于眼底血管分割的精度尤其是细小血管处的分割精度有待提升。

发明内容

本发明的目的是为了提出一种眼底图像血管分割方法，减少计算步骤，提升眼底图像血管的分割精度。

为解决上述技术问题，本发明提出的眼底图像血管分割方法包括如下步骤：S1、对眼底图像数据集进行增广操作，即按一定规则对原始图像进行裁剪，得到增广的数据集，并将数据集划分为训练集与测试集；S2、利用分割网络对增广处理后的训练数据集中每一个眼底图像样本进行血管分割：将输入的尺寸为h×w×3的输入图像分割得到数值范围在0～1，尺寸为h×w×1的黑白概率图；其中h和w代表输入的眼底图像的高度与宽度；并通过图像处理得到训练数据集中分割图像的概率图；S3、利用判别网络区分该概率图是由分割网络所得还是数据集内的分割图像所得，最终得到数值范围在[0,1]的置信图来描述输入图像判为真伪的概率；S4、将测试集中的彩色眼底图像输入训练好后的网络中，对得到的结果图进行拼接即可得到眼底血管的完整分割图像；其中，步骤S2与步骤S3中，基于生成对抗网络进行眼底图像血管分割。