[发明专利]一种基于自监督学习的眼底图像血管分割方法及系统

说明书

本发明公开了一种基于自监督学习的眼底图像血管分割方法及系统，使用的网络模型将U‑net结构进行改进，将不同层特征图相互传递以满足眼底图像细节特征提取的要求，还可通过网络剪枝来提升在分割过程中眼底图像血管分割的速度。然后设计并采用聚合任务策略，将强度变换，随机像素填充，向内填充和向外填充等四种方法相结合，以便在预训练学习过程来获取更多眼底图像的全局特征和细节特征。最后，设计矢量分类任务模块来生成不同的矢量路线，通过网络预测矢量路线训练编码器以获得眼底图像的空间关联特征。本发明可以从无标注数据中学习有效眼底图像特征，需要更少的训练迭代次数和人工标注数据，就能达到与有监督深度学习方法相当的血管分割精度。

技术领域

本发明属于计算机视觉技术领域，涉及一种眼底图像血管分割方法及系统，尤其涉及一种基于自监督学习的眼底图像血管分割方法及系统。

背景技术

随着社会人们物质和精神素养水平的进一步提高，我国的人均老年率也随之进一步提高。然而，年龄有关疾病、代谢有关疾病的患者死亡率却呈现迅猛上涨，其中眼底病正在成为一个威胁到我国城市居民身体和视力健康的全新挑战。眼底图像分析的方法在医学上能使人们尽早的发现各种眼部疾病，方便病人及时治疗。眼底图像中视网膜血管分割对多种疾病的预测、诊断及后续治疗都有重大意义。临床医生可以通过统计视网膜血管的特性如动脉壁厚度、动静脉管径、血管交叉角及新生毛细血管密度等指标，分析对应的糖网病、高血压、动脉硬化及眼底疾病的病况与机理。

然而，由于眼底图像中视网膜血管个体内的尺度变化大，且缺少大规模的高精度视网膜血管标签数据集，加之现有基于深度学习的视网膜血管分割方法在构建分割网络时往往忽略了视网膜血管的细粒度解剖特征，导致分割结果中微小毛细血管不够精细。

在过去的几十年间，许多研究人员针对视网膜血管分割提出了各种方法。根据各算法的相关原理主要可以分成两类方法：基于有监督的深度神经网络学习的眼底图像血管分割方法、基于自监督学习的眼底图像血管分割方法。采用有监督的深度神经网络的方法进行眼底图像的血管分割通常使用的网络模型是U-net，同时为了提升U-net血管分割的性能研究人员对现有的U-net提出了多种优化方案。采用自监督学习的方法进行血管分割时，自监督网络通常采用和目标网络相同的网络结构，通过特定的重建任务，使得预训练网络提取特定的特征，将得到的特征和网络权重和目标网络共享。当然研究人员对传统的自监督学习预训练任务也进行了优化，出现了任务聚合型的自监督学习网络等。然而，现有的眼底图像血管分割算法，需要利用大量的标注数据，对于眼底图像分割的标注数据质量需求高。

发明内容

为了解决上述技术问题，本发明根据眼底图像血管分割的特点和难点，提供了一种基于自监督学习的眼底图像血管分割方法及系统。

本发明的方法所采用的技术方案是：一种基于自监督学习的眼底图像血管分割方法，包括以下步骤：

步骤1：构建眼底图像样本数据库；

步骤2：对眼底图像样本进行强度变换处理；

步骤3：优化自监督网络，并将变换后的图像输入优化后的自监督网络编码器和解码器进行图像重建的工作；

所述优化后的自监督网络，所述矢量预测分类模块；所述优化后的自监督网络，是在编码器解码器结构不同层之间加入了卷积和反卷积运算，使得不同层的特征图也可以跨层传递；所述矢量预测分类模块，用于将图像分成9块，预置24种不同的矢量路线，通过将不同的眼底图像部分输入网络，自监督网络预测眼底图像的输入矢量路线，通过该任务学习眼底图像的级联细节；

步骤4：将自监督网络的每一个网络层输出的特征图像送入解码器，在上采样的过程中，应用局部对比损失，将特征图像分化成K*K份，取其中的一份计算与其他局部特征图像的对比损失；其中，K为预设值；

步骤5：自监督网络通过训练，获取最优的完备模型参数；