[发明专利]视网膜图像的血管分割方法、装置、设备及存储介质

说明书

本发明公开的视网膜图像的血管分割方法，涉及医学图像处理领域，通过获取待处理的视网膜图像；对待处理的视网膜图像进行预处理，得到血管增强图像；基于预先训练的血管分割模型，应用包括通道加权处理过程和空间加权处理过程的多通道交叉注意力机制对待处理的视网膜图像和初始的血管增强图像进行处理，得到血管分割模型的输出；根据血管分割模型的输出，得到血管分割结果。本发明还公开了相应的装置、设备及存储介质，有效地提高了视网膜图像的血管分割速度、提高对微小血管和受病灶影响的血管的检测效果，并且设计简单易实现，模型参数量可依据任务难度进行调节，具有较高的精确度和特异度，以及更低的模型复杂度。

技术领域

本发明涉及医学图像处理领域，尤其涉及一种视网膜图像的血管分割方法、装置、设备及存储介质。

背景技术

心血管疾病是我国患病率第一位的非感染性疾病，已成为威胁我国国民健康的“第一杀手”，常见表现为血压升高、心脏病发作或是中风等，心血管疾病包括高血压、冠心病、脑血管疾病、周围血管疾病等。

心血管疾病和许多系统性疾病都表现在视网膜血管内，并以不同的变化影响着视网膜眼底血管。视网膜血管的变化远早于有症状的临床病变，例如大部分心血管疾病在早期即可在视网膜血管形态上观察到病理学改变，这是早期观察和诊断的理论基础。临床研究发现，视网膜动静脉的不对称比与多种心血管疾病有关，视网膜小动脉管径狭窄与高血压的发生风险有关。视网膜血管的宽度、弯曲度和分形维数等形态属性，已被作为多种系统性疾病的候选临床生物标记物，视网膜血管弯曲度反映了心血管危险因素对视网膜血管的影响。因此，视网膜图像被广泛用于发现系统性血管疾病的早期临床证据，全自动的视网膜血管分割和计算方法可以辅助疾病的诊断、筛选、治疗和评估，而且视网膜血管是人体内唯独采用无创手段就能直接观察到的微血管系统，具有获取简单、成本低、易操作、无创伤等诸多优点，具有良好的应用前景和社会效益。

目前，视网膜血管分割主要有基于传统机器学习和基于深度学习两种方法。

基于传统机器学习的方法，主要包括匹配滤波器法、基于血管追踪的分割法、基于分类器的分割法。匹配滤波器法通过设计不同的滤波器，例如结合局部相位特性和正交滤波器的移位响应的对称滤波器、高斯第一导匹配滤波器、基于Tramline匹配滤波、基于Frangi滤波器等，对视网膜血管进行识别，以上滤波器具有多尺度分析的特性，能够对较大的血管进行分割。基于血管追踪的分割法的基本思想是，首先建立视网膜血管轮廓的模型，然后沿着血管的方向迭代进而实现分割过程，这种分割方法一般会先确定一个初始的种子点，从这个种子点开始逐步检测其邻近局部范围内图像的特征来对血管进行跟踪，进而描述血管的具体信息，在一般情况下可以跟踪正常型、分支型和交叉型三种类型的血管。基于分类器的分割法属于有监督的分割算法，通常可以分为以下步骤：首先，对图像进行预处理，如直方图均衡化、对比度校正、归一化处理等；其次，对图像中的每个像素点提取特征，建立相应维度的特征向量空间，特征包括局部强度、均值、标准差、偏度和峰度等图像纹理特征；接着，选取适宜的分类器训练样本，其中SVM、AdaBoost、决策树等被广泛使用；最后，使用已经训练好的分类器对测试集进行测试分类。

基于深度学习的方法，主要利用卷积神经网络对视网膜血管进行端到端的分类，如FCN、U-net等框架，对整个视网膜图像的每个像素进行二分类。在深度模型中加入残差连接结构，可以有效防止模型过拟合，并加速网络训练；引入了血管边缘感知机制，即通过在血管边缘加入额外的标签，将原来的二分类任务转化为多分类任务，使得模型更加关注血管边界区域，有效检测到了微小血管；此外，有研究者将整个问题规范化为一个三类分类问题--大血管，小血管和背景区域，从而减少了血管内部类别的偏差，并且使用不同大小的卷积核进行学习，发现结合不同大小的卷积核能够实现较好的敏感性和特异性。

在实施本发明技术方案的过程中发明人发现，现有技术至少存在以下问题：

(1)视网膜图像中存在微小血管，其纹理特征接近视网膜背景，不易被识别，现有技术容易丢失血管分叉点和细小的血管。