[发明专利]一种基于低尺度血管检测分割视网膜血管的方法

摘要

本发明属于图像识别和医学图像处理领域，涉及一种基于低尺度血管检测的视网膜血管分割方法。第一步：特征提取，本发明用到两个维度的特征矩阵，一个直接来自于彩色视网膜眼底图像的绿色通道。另一个是对用B‑COSFIRE滤波器处理后得到的响应结果。第二步，通过三倍标准差法去掉两个特征矩阵异常值，第三步，LVD模型的设计考虑到多尺度下的特征提取，以及每一层特征的融合，不仅能够从低尺度提取特征，而且保留了原尺度的细节特征。本发明的LVD模型融合了原尺度的细节特征，使得特征信息不丢失，分割结果更准确；子网络ADS‑N有较深的网络，并且卷积核都是非对称的，对细小的血管有很好的检测效果。

主权项

1.一种基于低尺度血管检测分割视网膜血管的方法，其特征在于，步骤如下：第一步：特征提取本发明需要用到两个维度的特征矩阵；一个直接来自于彩色视网膜眼底图像的绿色通道map₁；另一个是对map₁用B‑COSFIRE滤波器处理后得到的响应结果map₂；B‑COSFIRE滤波器处理过程如下：1.1 通过DoG滤波器对map₁进行处理，得到输入c_σ：其中，外部高斯函数偏差为σ，内部高斯函数标准偏差为0.5σ，符号|·|⁺表示去负为零，x为像素点的行，y为像素点的列；1.2 B‑COSFIRE滤波器有两种，一种是对称的，用于检测血管主干，另一种是非对称的，用于检测血管末端，B‑COSFIRE滤波器为一个三元组集合其中i指考虑的点的个数；1.3 对S进行模糊移位操作，提高各个点的容错性：其中σ'＝σ₀'+αρ_i，α、σ'₀为常数，G为高斯函数，‑3σ'≤x'，y'≤3σ'；1.4 求取集合S中所有三元组的模糊移位的几何平均，公式为：其中|·|_t表示阈值为t时得到的最大响应，0≤t≤1；1.5对不同方向上的B‑COSFIRE滤波器响应结果进行融合，得到第二个特征矩阵map₂：其中，n_r代表方向的个数；第二步：归一化2.1 通过三倍标准差法去掉两个特征矩阵map异常值：其中，map_i表示第i个特征矩阵，i只有1和2两个值，表示map_i的平均值，n_i表示map_i像素个数，σ_i表示map_i的标准差，<·>_±3σ表示限制值的上限为3σ，下限为‑3σ.2.2 利用最大最小规范化法，缩放2.1步得到的特征矩阵map'到[0，1]：map_i″＝MaxMin(map′_i)‑0.5                       (6)再平移到[‑0.5，0.5]的范围，得到归一化后的特征矩阵map″：将归一化后的特征矩阵拼接成LVD模型的输入矩阵；第三步：LVD模型LVD模型包括三个隐藏层、两个侧输出层和一个共享输出层；第一个隐藏层跟输入层直接连接，三个隐藏层为链式，顺序连接；从第二个隐藏层开始，每个隐藏层都单独与一个侧输出层连接；输入数据依次进入三个隐藏层，能得到三个中间特征；后两个隐藏层单独连接一个输出层，得到中间特征的侧输出；最后将第一个隐藏层得到的中间特征与两个侧输融合送入共享的输出层得到最后的分割结果；子网络ADS‑N包含十个卷积层，每层卷积核都是非对称的，并且深度固定为N；将ADS‑N作为一层加入到LVD模型的每个隐藏层中，得到整个LVD网络；整个模型的损失函数采用均方误差，对于输出结果y与人工标注y’的均方误差计算如下：其中n代表像素点的个数，代表平方和；为了防止过拟合，在损失函数中引入了L2正则化项，最终的损失函数Loss定义如下：其中，w表示网络中边上的权重；k表示正则化项的权重；第四步：二值化二值化是在测试阶段，对LVD测试结果y进行后处理，得到最后的血管分割结果；先将y通过公式(6)规范化，再采用阈值分割二值化，得到最后的分割结果，其中阈值设置为θ。