[发明专利]一种基于Frangi增强和注意力机制UNet的眼底图像血管分割方法

说明书

本发明涉及一种基于Frangi增强和注意力机制UNet的眼底图像血管分割方法，首先，对输入图像提取绿色分量，并利用对比度受限直方图均衡化方法在提取绿色分量后的基础上进行对比度调整；计算出调整对比度后的图像中每个像素点的Hessian矩阵；利用Hessian矩阵的特征值，在尺度因子为的条件下构造Frangi血管相似性函数，并得到最大响应；将输入图像的每个像素点的RGB三个同道的像素值分别减去最大响应值与增强因子factor的乘积；然后，将经过frangi增强的图像进行灰度变换，将每个像素值进行零均值归一化操作到[0,1]之间。最后，将得到的训练图像块和标签图像块输入到注意力机制UNet网络中，进行训练。并通过测试获得分割结果。本发明，提高了模型的泛化能力。

技术领域

本发明涉及图像分析和深度学习技术领域，特别是一种基于Frangi增强和注意力机制UNet的眼底图像血管分割方法。

背景技术

眼底血管是人体血液循环系统中唯一可以非侵入直接观察的部分。研究表明眼底血管异常与冠心病、高血压、糖尿病，动脉粥样硬化和肾病等的存在和严重程度相关，如局限性视网膜动脉缩窄好转率与高血压控制程度密切相关。眼底图像中血管的提取和测量对于与之相关疾病的辅助检测和量化分析具有重要的临床意义，而血管的精确分割是上述工作的前提。由于存在个体的差异，眼底成像之后眼底图像亮度和色彩上存在差别，血管在末端与背景难以区分，使得整个眼底血管网络难以完成分割；而且在眼底血管异常的图像上伴有视网膜病变，除了新生血管之外，还伴微动脉瘤，硬性渗出、出血等小动脉病变，这些病变有的临近血管网络，有的在颜色与形状上和血管相似，给血管网络的分割带来较大的干扰。因此眼底图像中的血管分割技术一直以来都是图像分析领域的难点和热点。

近年来眼底图像中的血管分割的研究主要集中在监督学习方法领域。监督学习的方法总体上要优于无监督的方法，但在分割精度、效率等问题上仍然有待改进。随着深度学习方法的发展，在血管特征分析中，可以直接从输入数据中自动学习复杂的特征层次，许多深度学习模型应用到眼底图像血管分割中，比如FCN，UNet，ResNet(残差网络)，GANs(生成对抗网络)等。但目前方法依然存在以下几个局限性：(1)容易受到眼底图像当中存在的非血管因素的影响，如噪声、病变和光照，导致血管分割效果不佳；(2)血管分割模型泛化能力不佳，一些模型在单个数据集有较好表现，但在多个数据集或者不同数据集之间进行测试时分割效果不佳。

对于眼底图像的血管分割而言，主要存在两个方面的问题：一方面，由于图像中往往存在眼底成像时因光线不足造成的各种成像伪像，例如模糊，噪声，不均匀照明等，另外还有眼底图像的病理性因素的影响，造成了血管分割的困难，尤其使细小血管的分割难度增加；另一方面，现有深度模型大多仅在单个或者两个数据集上进行算法设计，模型泛化能力有限。

发明内容

有鉴于此，本发明的目的是提出一种基于Frangi增强和注意力机制UNet的眼底图像血管分割方法，通过使用Frangi增强对图像中的血管进行预处理等，有效增强眼底血管，有利于细小血管的分割，提高血管分割的灵敏度；在UNet神经网络中引入注意力模型，既能消除Frangi增强带来的血管误检，又可以较好地抑制了眼底图像中非血管区域的噪声及病变对血管分割的影响，提高了模型的泛化能力。

本发明采用以下方案实现：一种基于Frangi增强和注意力机制UNet的眼底图像血管分割方法，包括以下步骤：

步骤S1：提供RGB眼底图像作为输入图像，对所述输入图像提取绿色分量，并利用对比度受限直方图均衡化方法在提取绿色分量后的图像上进行对比度调整；

步骤S2：计算出步骤S1调整对比度后的图像中每个像素点的Hessian矩阵，得到Hessian矩阵的特征值；

步骤S3：利用Hessian矩阵的特征值，在尺度因子为σ的条件下构造Frangi血管相似性函数，并得到最大响应；