[发明专利]一种基于多尺度深监督网络的视网膜图像血管分割方法

摘要

本发明公开了一种基于多尺度深监督网络的视网膜图像血管分割方法，属于医学图像处理和计算机视觉领域。以视网膜图像以及对应的人工标注的像素级血管图片为源数据，经过预处理得到若干组数据集合，其中每组数据包含一张视网膜图片的切片和一张对应的人工标注的像素级血管图片的切片。构建多尺度深监督神经网络框架，利用图像切片为输入，通过多尺度深监督神经网络可以得到较高的分割正确率。系统容易构建，仅依靠原始切片和训练好的多尺度神经网络即可得到切片的血管分割结果；程序简单，易于实现；利用平衡交叉熵作为损失函数，对多尺度神经网络进行优化，网络训练容易且高效。

主权项

1.一种基于多尺度深监督网络的视网膜图像血管分割方法，其特征在于，包括下列步骤：1)准备初始数据：初始数据包含视网膜图片以及对应的人工标注的像素级血管图片；所述图片经过预处理后成为数据集合，集合中的每组数据包含一张视网膜图片的切片和一张对应的人工标注的像素级血管图片的切片，上述两种切片的大小为n×n像素，n为4的倍数；2)搭建多尺度深监督网络结构：本采用编码器‑解码器结构，并且按照特征图大小分为三个层次，三个层次的图片大小分别为n×n像素、n/2×n/2像素和n/4×n/4像素；其中，层次A包含卷积模块1_1、卷积模块1_2、侧面输出模块A、边界优化模块A；层次B包含卷积模块2_1、卷积模块2_2、侧面输出模块B、边界优化模块B；层次C包含卷积模块3_1、侧面输出模块C、边界优化模块C；将步骤1)得到的初始数据，输入到层次A中的卷积模块1_1，再经过池化层a将特征图大小变为原来的一半，输入到层次B中的卷积模块2_1,再经过池化层b将特征图大小再变为原来的一半，输入到层次C中的卷积模块3_1,卷积模块3_1经上采样层a后按照通道维度与卷积模块2_1拼接，拼接后输入卷积模块2_2，卷积模块2_2输出再经上采样层b后按照通道维度与卷积模块1_1拼接，拼接后输入卷积模块1_2；卷积模块1_2、卷积模块2_2和卷积模块3_1的输出分别作为侧面输出模块A、B、C的输入，侧面输出模块A、B、C的输出分别作为边界优化模块A、B、C的输入，边界优化模块A、B、C的输出分别接平衡交叉熵损失函数将侧面输出模块A、B、C的输出按照通道维度直接拼接，拼接后输入一个卷积层，卷积层的输出再经过一个边界优化层模块D，边界优化模块D的输出接平衡交叉熵损失函数L_fuse；3)基于步骤2)得到的多尺度深监督网络并使用平衡交叉熵作为损失函数进行训练。