[发明专利]基于U-net网络的多通道视网膜血管图像分割方法

权利要求书

1.基于U-net网络的多通道视网膜血管图像分割方法，其特征在于包括如下步骤：

步骤1、对训练集图像进行数据量扩增；

步骤2、对彩色图像进行图像的预处理操作；

步骤3、构建通道1，对图像进行形态学闭操作用以消除背景噪声；

步骤4、构建通道2，使用大尺度匹配滤波方法和改进的黑帽变换算法处理图像；

步骤5、构建通道3，使用小尺度匹配滤波方法和改进的黑帽变换算法处理图像；

所述的改进的黑帽变换算法具体为：

B_hat(I)＝(I(x，y)·b(u，v))-I(x，y)

F(x，y)＝255-I(x，y)-2*B_hat(I)

式中·为形态学闭操作；B_hat(f)为黑帽变换；I(x，y)为步骤2处理后的图；F(x，y)为最终处理图像，b(u，v)表示滤波器模板；

步骤6、将三个通道的图像输入改进的U-net网络进行训练，得到所需的分割网络；

所述的步骤6中，构建的U-net网络结构如下表所示：

表1：U-net网络结构

在U-net神经网络的训练中，采用新的加权损失函数，表达式如下：

Loss＝L_dice+λL_r

L_r为交叉熵函数，表达式如下：

其中TP和TN分别是真阳性和真阴性像素的个数；N_p和N_n分别是分割像素和非分割像素的个数；y是标签值，其中y＝1表示分割目标，y＝0表示背景；p是像素的预测概率值；

L_dice为Dice系数表达式，如下：

其中N是像素的数量值；p(k，i)∈[0，1]，q(k，i)∈[0，1]分别是像素点k类的预测概率和真实标签；

U-net神经网络在输出层上采用区域自适应阈值分割算法进行最终二值化处理，表达式如下：

式中b为参数值；(2ω+1)×(2δ+1)为窗口区域面积；T为该区域的阈值；G(x，y)为区域像素点；

步骤7、融合三个通道的输出分割图，经过后处理后得到最终分割结果。

2.根据权利要求1所述的基于U-net网络的多通道视网膜血管图像分割方法，其特征在于：

所述的步骤3中，用于消除背景噪声的一系列操作算法表达式为：

其中，g(x，y)为中间变量，f(x，y)为处理后的图像；I_close(x，y)为进行形态学闭操作后的图像；I(x，y)为步骤2处理后的图；m，n为图像像素尺寸。

3.根据权力要求1所述的基于U-net网络的多通道视网膜血管图像分割方法，其特征在于：步骤1对训练集图像进行数据量扩增；扩增方式为对图像进行水平翻转、垂直翻转和多角度度旋转。

4.根据权力要求1所述的基于U-net网络的多通道视网膜血管图像分割方法，其特征在于：步骤4、5中的匹配滤波算法表达式如下：

定义二维高斯核函数为：

其中s是高斯核的宽度，l为高斯核的长度，旋转高斯核用以对多方向血管进行滤波；p(x，y)为核函数中的一个像素点，旋转矩阵为：

θ_i为第i个核函数的角度，0≤θ_i≤p，p为设定的角度值，p(x，y)旋转后的坐标值为则第i个滤波器核函数为：

其中N为模板邻域，取值范围为：N＝{(u，v)，|u|≤3s，|v|≤l/2}；

在实际的算法运用中，常常需要考虑模板滤波器的相关系数均值，如式所示：

其中，A表示模板领域内像素点的数量，m_i表示第i个滤波器模板中系数的平均值；因此最终模板核函数如式：

。