[发明专利]一种基于卷积神经网络的视网膜血管分割方法

摘要

本发明公开了一种基于卷积神经网络的视网膜血管分割方法，包括：对视网膜眼底图像进行预处理；对训练集图像进行块提取；构建血管分割卷积神经网络，用提取到的图像块进行训练；在预测阶段，对每张图像提取多个连续的重叠片段，对多个预测结果取平均获得每个像素的分类概率，得到最后的分割结果图。本发明针对视网膜血管分割提出的新的卷积神经网络结构，是一种基于Encoder‑Decoder结构的对称网络，在Encoder部分和Decoder部分之间添加了两种跳过连接。网络不仅可以实现视网膜图像端到端的分割，而且能在有限的数据集上得到精确的分割结果，并能有效避免梯度消失的问题，相比于现有技术的算法，具有一定的优势。

主权项

1.一种基于卷积神经网络的视网膜血管分割方法,其特征在于，所述的视网膜血管分割方法包括以下步骤：S1、对数据库中的视网膜血管图像进行预处理，包括灰度转换、标准化、对比度受限直方图均衡化和Gamma校正；S2、对数据库训练集中的经过预处理的图片进行块提取，进行样本扩充，用于作为神经网络结构的训练样本；S3、基于Encoder‑Dercoder结构构建视网膜血管分割卷积神经网络，将步骤S2提取的图像块作为卷积神经网络的输入，对网络进行训练，得到视网膜血管图像分割的模型参数；所述的卷积神经网络的结构分为Encoder部分和Decoder部分，Encoder部分包括四个Encoder卷积块，依次为顺序连接的第一Encoder卷积块、第二Encoder卷积块、第三Encoder卷积块和第四Encoder卷积块，并且每个Encoder卷积块后面均连接一个池化层和ReLU层；Decoder部分包括四个Decoder卷积块，依次为顺序连接的第一Decoder卷积块、第二Decoder卷积块、第三Decoder卷积块和第四Decoder卷积块，并且每个Decoder卷积块前面连接一个反卷积层和ReLU层；其中，第一Encoder卷积块的输出连接到第四Decoder卷积块的输入、第二Encoder卷积块的输出连接到第三Decoder卷积块的输入、第三Encoder卷积块的输出连接到第二Decoder卷积块的输入、第四Encoder卷积块的输出连接到第一Decoder卷积块的输入，从而形成跳过连接；S4、将测试样本输入卷积神经网络，在每个测试图像中提取多个连续的重叠片段，对多个预测结果进行平均获得每个像素的分类概率，得到视网膜血管的分割结果图。