[发明专利]一种基于生成对抗机制的眼底影像杯盘分割方法

摘要

本发明公开了一种基于生成对抗机制的眼底影像杯盘分割方法，通过对单通道或多通道彩色眼底影像图进行数据增强处理，然后利用U‑Net网络对眼底影像图进行分割，得到的预测分割图像会输送到判别器网络中进行鉴定真假，得到的真假判断损失返回调整U‑Net网络生成的模型，经过多次生成对抗网络的运行，最终得到最优的视盘分割模型和视杯分割模型，实现对视盘和视杯的分割检测。

主权项

1.一种基于生成对抗机制的眼底影像杯盘分割方法，其特征在于，包括以下步骤：S1：对原图像进行数据增强操作，通过旋转变换和定位裁剪、对比度增强，增加眼底影像图的数量和提取目标图像缩小特征提取的范围、增强视盘和视杯的特征对比度；S2：通过U‑Net网络自动提取视盘与视杯的特征，通过大量数据增强处理后的视盘图像分别训练出视盘分割模型与视杯分割模型，利用收缩路径中的卷积、批标准化、池化和下采样交替缩小视盘图像尺寸，提取出越来越多的视盘与视杯特征；当特征数量达到指定的数量时，利用扩展路径的上采样、卷积、激活、批标准化逐步恢复图像原本尺寸，并与收缩路径中同层次的图像特征进行融合产生新的特征，进而提炼得到最终的二分类或多分类分割图像，同时生成一个视盘分割模型或视杯分割模型；S3：建立判别器网络分别对视盘预测分割图像与视杯预测分割图像进行判别，判别器通过卷积、批标准化、激活层的交替操作对预测图像进行新的特征提取，提取出多种特征，最终根据特征对输入图像进行真假判别，专家标签图像判别为1，而U‑Net生成器的分割结果判别为0；S4：将生成对抗机制应用到U‑Net分割网络中，形成生成对抗网络，S2生成的分割图像与专家标签图像进行交叉熵损失计算；S2得到的预测分割图像和专家标签图像分别经过S3进行判别，对其结果做损失计算并求两者平均值，进而通过优化器优化得到性能越来越好的判别器；由专家标签图像经由优化后的判别器生成新的预测图像计算得到均方差损失，与U‑Net得到的交叉熵损失相加，进而通过优化器优化U‑Net网络；不断输入新的视盘图像，在前一张视盘图像训练得到的网络结果上继续优化U‑Net网络与判别器网络，通过U‑Net网络与判别器网络的迭代进行，不断提高视盘分割与视杯分割的重叠准确率，加快模型的收敛速度，减少训练时间。