[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

说明书

本发明公开了一种基于U‑net网络的多通道视网膜血管图像分割方法。本发明首先对数据集图像进行扩增处理和一系列的预处理，提高图像质量；其次将多尺度匹配滤波算法与改进的形态学算法相结合，构建U‑net网络的多通道特征提取结构；随后对三个通道进行网络训练，获得所需的分割网络，并对输出结果采用自适应阈值处理。本发明方法结合了U‑net网络与多尺度的匹配滤波算法，与单纯的U‑net网络相比，能够提取到更多的血管特征，具有更高的分割准确性和灵敏度，缓解视网膜血管图像细小血管分割不足以及错误分割的问题。

技术领域

本发明涉及一种图像分割方法，具体是将深度学习中的U-net网络与图像匹配滤波方法相结合进行改进的一种图像分割方法。该方法实际应用在了视网膜血管图像的分割中。

背景技术

目前图像分割的算法主要可划分为两类：监督学习方法和非监督学习方法。非监督学习方法主要是利用图像本身的某些特性，人工设置特征提取的过程与方法，对某些图像的特有属性具有不错的分割结果，但该方法的使用很大程度上依赖于前人经验，在面对不同的图像进行分割处理时，并不具有很好的泛化性。监督学习方法的最主要特征便是需要图像数据集的人工分割结果作为训练的标签，通常该种方法的分割结果具有较好的准确率。

在监督学习算法中，应用于图像分割较为广泛的方法是全卷积神经网络(FCN)。FCN是一个端到端的神经网络，即输出图像尺寸与输入一致，实现了像素级别的分类。其多层卷积层能够在模型训练中提取到不同的特征，而且不同层次的卷积层还可以学习到更为抽象的特征。因此相比于非监督学习方法，该方法能提取到更多的图像特征，能够得到更高的分割准确率。但是传统的FCN存在的问题也是很明显：其网络结构针对像素进行分类，因此不可避免地忽略了像素之间的联系，而且卷积操作的感受野过小，不能很好地利用上下文信息，造成特征提取不完全。

为了克服两种不同分割方法的各自缺点，可以尝试对两种方法进行取长补短。在使用神经网络模型进行训练之前，先对输入图像进行非监督学习方法进行一个预处理，将图像中的全局特征有针对性地提取出来，同时消除掉一些背景噪声，便于后续神经网络模型的特征学习。通过多个通道的不同特征提取，在不改变模型自身结构，不增加训练参数的基础上，可以提取到更多的全局特征，弥补了该特征提取难的缺陷。

发明内容

本发明针对现在图像分割方法的不足之处，将非监督学习方法中的匹配滤波算法用于图像处理中，利用多尺度的特性，在不同通道中提取血管图像中不同尺寸的血管特征；提出一种新的形态学算法用于对血管图像中的伪影等背景噪声进行去除处理；利用基于FCN改进的U-net模型进行多通道特征学习，以获取额外的全局特征，尽可能提高分割的准确率。

按照本发明提供的技术方案，提出了一种基于U-net网络的多通道视网膜血管图像分割方法，包括以下步骤：

步骤1、对训练集图像进行水平翻转、垂直翻转和180度旋转，使数据量扩增4倍；

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；

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；

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。

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：