一种基于生成式对抗网络的视网膜血管分割方法技术

本发明专利技术公开了一种基于生成式对抗网络的视网膜血管分割方法，由以下步骤组成：对眼底视网膜图像集进行预处理得到训练图像集，构建基于GAN的视网膜血管分割模型，利用训练图像集对视网膜血管分割模型训练，利用训练好的视网膜血管分割模型对待分割的眼底视网膜图像进行分割，输出分割后子图像，对分割后子图像进行拼接得到完整视网膜血管分割图像；本发明专利技术结合Ladder Net，在原本的改进U型网络结构中引入Ladder Net的多对编码器解码器概念，将两个改进U型网络并行连接在一起，并对传统的残差模块进行改进为参数共享残差模块，通过设定了两个共享参数的卷积层组成的循环层用来训练，从而用来捕获图像中的复杂特征点，从而提高分割精度。高分割精度。高分割精度。

【技术实现步骤摘要】
一种基于生成式对抗网络的视网膜血管分割方法


[0001]本专利技术属于眼底视网膜图像处理领域，尤其涉及一种基于生成式对抗网络的视网膜血管分割方法。

技术介绍

[0002]眼睛，它占据身体的总体信息的百分之80以上，因此眼睛是不可或缺的人体器官，它的健康与人类生活不可分割。现今医生在眼部疾病诊断时主要依靠眼底图像，某些器官的状态通过眼底图像的变换来展示出来。视网膜血管在眼底图像中能够被清楚地观察到，是医生对某些疾病进行诊断和预防的最基本依据。眼底血管分割是医生根据眼底图像诊断病人状况的决定性条件，对于临床医学有着主要的意义，人类身体是否健康的重点判断指标为视网膜血管的形态构造(如直径、长度等)，其变换在大程度可以反映人体某些疾病，因此为了医生有效的诊断疾病，对视网膜血管的分析是必要的。
[0003]在眼底视网膜疾病的有关诊断时，依照经验对视网膜血管进行人工手动分割是现阶段医生的常用方法。然而，这种方法存在眼底血管散布致密、对比度低的问题，可能还有出血点、渗出物等病变，以及许多的微细血管，与病灶噪声的影响相结合，致使传统的手动分割工作量变得庞大且繁琐，依赖人工手动分割血管会出现效率低下，易受主观性影响、出错率较高。
[0004]为了预防潜在的眼底疾病、提高眼底疾病的诊断效率，需要借助图像处理、计算机视觉以及深度学习等技术，对相关医学影像进行处理和分析，设计先进准确的视网膜血管分割算法，可以有效量化和可视化相关病理结构，从而实现计算机辅助甚至代替医生对病情进行准确诊断和精确治疗。
[0005]近年来，随着图像处理和分析技术的快速发展，利用计算机进行医学图像处理已经广泛应用于医学的各个学科和领域。传统的机器学习算法有时需要根据实验手动选择特征，不利于自动化的实现。深度学习中各类算法网络结构被用于处理视网膜血管分割并取得了很大的成就，传统卷积神经网络的单个网络训练模式被广泛应用，但依旧存在灵敏度和细微血管分割准确度较低的问题，相较于卷积神经网络，生成式对抗网络由两个任意子网络构成生成器与判别器部分，两个子网络进行对抗训练，相互协作优化，能够更好学习血管特征优化分割模型。

技术实现思路

[0006]本专利技术的目的是提供一种基于生成式对抗网络的视网膜血管分割方法，以解决现有技术灵敏度偏低和细微血管分割的不足，实现视网膜血管自动分割和细微血管的高精度良好分割效果的问题。
[0007]本专利技术采用以下技术方案：一种基于生成式对抗网络的视网膜血管分割方法，其特征在于，由以下步骤组成：
[0008]步骤S1：对眼底视网膜图像集进行预处理得到训练图像集，
[0009]步骤S2：构建基于GAN的视网膜血管分割模型，
[0010]步骤S3：利用训练图像集对视网膜血管分割模型训练，
[0011]步骤S4：利用训练好的视网膜血管分割模型对待分割的眼底视网膜图像进行分割，输出分割后子图像，
[0012]步骤S5：对分割后子图像进行拼接得到完整视网膜血管分割图像，
[0013]其中，所述视网膜血管分割模型的生成网络为利用Ladder Net将两个编解码U型网络并行连接在一起，
[0014]各所述编解码U型网络包括：
[0015]依次连接的四个第一结构块、空洞卷积模块、四个第二结构块，
[0016]各所述第一结构块均包括依次连接的卷积层、残差模块、池化层，
[0017]各所述第二结构块均包括依次连接的卷积层、残差模块、池化层。
[0018]进一步地，所述视网膜血管分割模型的判别网络包括依次连接的四个第三结构块、平均池化层、一个全连接层组成，各所述第三结构块均包括依次连接的卷积层、残差模块和池化层。
[0019]进一步地，所述预处理方法为依次进行RGB绿色通道转换、对比度受限的直方图均衡化以及伽马校正方法。
[0020]进一步地，所述预处理方法还包括：扩充和旋转。
[0021]本专利技术的有益效果是：本专利技术的生成器模型为卷积神经网络的编解码结构，提出带有残差模块、空洞卷积及注意力机制的改进U型网络模型进一步改造，结合Ladder Net，在原本的改进U型网络结构中引入Ladder Net的多对编码器解码器概念，将两个改进U型网络并行连接在一起，并对传统的残差模块进行改进为参数共享残差模块，通过设定了两个共享参数的卷积层组成的循环层用来训练，从而用来捕获图像中的复杂特征点，从而提高分割精度；本专利技术的判别器模型，引入了Res Block，用来防止网络退化问题，通过二者相互交替迭代训练，生成具有良好分割性能的网络模型。
附图说明
[0022]图1为本专利技术的眼底图像预处理效果图；
[0023]图2为本专利技术的眼底图像扩增处理示意图；
[0024]图3为本专利技术的生成式对抗网络总体架构图；
[0025]图4为本专利技术的生成器网络模型结构图；
[0026]图5为本专利技术的判别器网络模型结构图；
[0027]图6为本专利技术的实施例1DRIVE数据集的分割结果图；
[0028]图7为本专利技术的实施例1STARE数据集的分割结果图。
具体实施方式
[0029]下面结合附图和具体实施方式对本专利技术进行详细说明。
[0030]本专利技术公开了一种基于生成式对抗网络的视网膜血管分割方法，如图3所示，由以下步骤组成：
[0031]步骤S1：对眼底视网膜图像集进行预处理得到训练图像集，
[0032]步骤S2：构建基于GAN的视网膜血管分割模型，
[0033]步骤S3：利用训练图像集对视网膜血管分割模型训练，
[0034]步骤S4：利用训练好的视网膜血管分割模型对待分割的眼底视网膜图像进行分割，输出分割后子图像，
[0035]步骤S5：对分割后子图像进行拼接得到完整视网膜血管分割图像，
[0036]其中，如图4所示，所述视网膜血管分割模型的生成网络为利用Ladder Net将两个编解码U型网络并行连接在一起，
[0037]各所述编解码U型网络包括：
[0038]依次连接的四个第一结构块、空洞卷积模块、四个第二结构块，
[0039]各所述第一结构块均包括依次连接的卷积层、残差模块、池化层，
[0040]各所述第二结构块均包括依次连接的卷积层、残差模块、池化层。
[0041]如图5所示，所述视网膜血管分割模型的判别网络包括依次连接的四个第三结构块、平均池化层、一个全连接层组成，各所述第三结构块均包括依次连接的卷积层、残差模块和池化层。
[0042]所述预处理方法为依次进行RGB绿色通道转换、对比度受限的直方图均衡化以及伽马校正方法，所述预处理方法还包括：扩充和旋转。
[0043]在步骤S1之前为获取公开的DRIVE和STARE数据集中的眼底视网膜图像作为数据集，预处理是对数据集进行RGB绿色通道转换、对比度受限的直方图均衡化以及伽马校正方法进行图像增强预处理，如图1所示，增强背景与血管的对比度，降低噪声干本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成式对抗网络的视网膜血管分割方法，其特征在于，由以下步骤组成：步骤S1：对眼底视网膜图像集进行预处理得到训练图像集，步骤S2：构建基于GAN的视网膜血管分割模型，步骤S3：利用训练图像集对视网膜血管分割模型训练，步骤S4：利用训练好的视网膜血管分割模型对待分割的眼底视网膜图像进行分割，输出分割后子图像，步骤S5：对分割后子图像进行拼接得到完整视网膜血管分割图像，其中，所述视网膜血管分割模型的生成网络为利用Ladder Net将两个编解码U型网络并行连接在一起，各所述编解码U型网络包括：依次连接的四个第一结构块、空洞卷积模块、四个第二结构块，各所述第一结构块均包括依次连接的卷积层、残差...

【专利技术属性】
技术研发人员：陈伟，朱振宁，冯蕊，穆倩，丁婉莹，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：