[发明专利]基于U-Net的血管图像分割方法、装置和设备

说明书

本发明公开了基于U‑Net的血管图像分割方法、装置和设备，方法包括：获取血管分割数据集；对血管分割数据集进行预处理；对预处理后的血管分割图像进行图像块裁剪操作，得到样本数据；根据样本数据，通过Pytorch深度学习框架搭建血管图像分割网络；根据血管图像分割网络进行血管图像分割，并对血管图像分割的结果进行评价。本发明的管图像分割网络中的卷积块由多尺度特征聚集块替换；多尺度特征聚集块的第一输入为多尺度高层特征，多尺度特征聚集块的第二输入为多尺度低层特征；血管图像分割网络通过MS‑CAM模块将多尺度特征聚集块中的多尺度高层特征和多尺度低层特征进行融合，能够提高分割性能，可广泛应用于人工智能技术领域。

技术领域

本发明涉及人工智能技术领域，尤其是基于U-Net的血管图像分割方法、装置和设备。

背景技术

视网膜血管的可见结构能预示着许多疾病。精确的分割有助于捕捉视网膜血管结构的可见变化，这有助于医生诊断与眼睛相关的疾病。因此，它在当前的视网膜图像分析任务中尤为重要。例如，高血压性视网膜病是一种由高血压引起的视网膜疾病，高血压患者可以发现血管曲度增加或狭窄。传统上，人工分割是由专家执行的，这是费力的、耗时的，并且受到专家之间的主观性的影响。在临床实践中，为了提高效率和可靠性，减少医生的工作量，对自动分割方法有很高的要求。

近年来，随着深度学习研究热潮的兴起，一些医学研宄人员将深度神经网络引入到视网膜血管分割任务中，提升了视网膜血管分割的效果，其中UNET网络已经广泛用于生物图像分割，如视网膜血管分割，肺部CT图像，冠状动脉血管图像等，并取得了良好的效果。该算法建立在全卷积网络(FCN)上，由一个编码器和一个解码器组成，网络的形状类似于“U”形，因此称为“U-Net”。

一般来说，目前的基于U-Net的分割模型大多侧重于解码器，而编码器方面的创新成果很少。对于编码器，常用的是经典的预训练图像特征提取模型，如ResNet、VGG16和DenseNet，或者只采用一系列交替的常规卷积层和下采样层。这两类编码器的主要缺陷包括:首先，医学图像与自然图像在特征和成像原理上存在巨大差异，导致特征提取模型在这两个数据集上的可移植性较差。也就是说，直接将在自然图像或其他医学数据集上预先训练的模型应用于目标图像通常仅提取浅层特征。其次，编码阶段下采样过程中丢失的图像信息限制了解码器的恢复能力，不仅会导致模型分割结果过于平滑，而且容易对小对象进行欠分割。因此，能够感知图像像素的多尺度上下文信息特征的提取模块能够为解码器提供丰富的图像特征，从而对整个模型的分割精度和泛化能力产生积极的影响。

其次每个阶段中的普通跳跃连接通常直接结合局部信息，这引入了太多不相关的背景噪声，使得难以将视网膜血管与周围的模仿物和噪声区分开来，尤其是微小血管。原则上，从深层阶段获得的高层特征具有丰富的语义信息但缺乏足够的分辨率，而从浅层阶段获得的低层特征具有丰富的空间细节但缺乏全局语义信息。

发明内容

有鉴于此，本发明实施例提供基于U-Net的血管图像分割方法、装置和设备，以提高分割性能。

本发明的第一方面提供了一种基于U-Net的血管图像分割方法，包括：

获取血管分割数据集；

对所述血管分割数据集进行预处理；

对预处理后的血管分割图像进行图像块裁剪操作，得到样本数据；

根据所述样本数据，通过Pytorch深度学习框架搭建血管图像分割网络；

根据所述血管图像分割网络进行血管图像分割，并对所述血管图像分割的结果进行评价；

其中，所述血管图像分割网络中的卷积块由多尺度特征聚集块替换；所述多尺度特征聚集块的第一输入为多尺度高层特征，所述多尺度特征聚集块的第二输入为多尺度低层特征；所述血管图像分割网络通过MS-CAM模块将所述多尺度特征聚集块中的多尺度高层特征和多尺度低层特征进行融合。