【技术实现步骤摘要】
一种基于旋转与放缩等变网络的眼底血管分割方法
[0001]本专利技术属于医学图像处理与深度学习
,特别涉及一种基于旋转与放缩等变网络的眼底血管分割方法
。
技术介绍
[0002]在临床诊断中,眼底血管系统的几何形态变化是与一些疾病高度相关的,比如:青光眼
、
糖尿病
、
高血压等
。
因此通过眼底血管分割,医生可以更好地观察到眼底血管系统的形态特征与结构变化,从而在许多疾病的早期进行诊断和跟踪
。
然而在临床实践中,由于眼底血管结构的复杂性,人工标注是费时费力且具有主观性的
。
因此一套有效的自动化眼底血管分割算法,对于眼科医生在临床评估过程中具有重要意义
。
[0003]然而,由于眼底图像的低对比度,这使得眼底血管往往难以和背景分离,且一些眼底的病理渗出物也常会被错分为血管,加之眼底血管结构的多样性,这些都极大地增大了眼底血管分割的难度,影响着分割的结果
。
传统的眼底血管分割方法主要是基于无监督的图像处理方法,这使得分割过程需要依赖大量的手工特征和先验知识,导致传统的分割方法具有较差的精度与泛化性
。
[0004]近年来,卷积神经网络在医学图像处理中取得了巨大的成功
。
通过参数共享与滑动窗口,卷积神经网络不仅增强了模型的鲁棒性,更是成功地刻画了平移对称性这一广泛存在的图像先验
。
但对于眼底血管图像,旋转对称性和尺度对称性往往是同时出现,且 ...
【技术保护点】
【技术特征摘要】
1.
一种基于旋转与放缩等变网络的眼底血管分割方法,其特征在于,包括如下步骤:步骤
1:
获取眼底血管图像,并对图像进行标注,得到眼底血管掩码,将成对的眼底血管图像与对应掩码作为数据集;步骤
2:
根据眼底血管的几何特征,利用群的对称性设计构建对旋转和放缩变换等变的卷积框架;根据眼底血管分割的精度要求,利用傅里叶展开的信息无损性设计构建在静态与动态下均具有高精度的参数化卷积核;将所述卷积框架和参数化卷积核组合得到傅里叶参数化的旋转与放缩等变卷积核;步骤
3:
将所述傅里叶参数化的旋转与放缩等变卷积核替换现有眼底血管分割网络中的卷积核,得到傅里叶参数化的旋转与放缩等变网络;步骤
4:
加载步骤1中的眼底血管图像,并进行数据增广,将其与对应的超参数传入所述傅里叶参数化的旋转与放缩等变网络,根据训练损失函数,通过反向优化算法迭代更新网络参数,使得网络的输出结果逐渐逼近步骤1标注的眼底血管掩码,当达到设定的迭代次数时,训练终止,保存此时的网络参数,即为训练模型;步骤
5:
准备待测试的眼底血管图像和对应的眼底血管掩码,加载所述训练模型,将待测试的眼底血管图像和对应的眼底血管掩码输入到傅里叶参数化的旋转与放缩等变网络中进行前向计算,网络的输出结果即为网络的眼底血管分割结果
。2.
根据权利要求1所述基于旋转与放缩等变网络的眼底血管分割方法,其特征在于,所述步骤1,图像标注方法为:将眼底血管图像中的血管标注为1,除血管外的其余部分标注为0,最终得到眼底血管掩码
。3.
根据权利要求1所述基于旋转与放缩等变网络的眼底血管分割方法,其特征在于,所述步骤2,卷积框架中,起始层的旋转与放缩等变卷积映射为:其中,
t∈T
,
f(t):
为输入图像,
ψ
(t):
为起始层卷积核,
μ0为初始尺度,
μ
为缩放比例,旋转矩阵其中
σ
是群上的哈尔测度,对于有
d
σ
(t0)
=
dt0,起始层的旋转与放缩等变卷积映射
Φ
R
将定义在的输入图像映射到定义在群
H
的特征图,其中
R
是旋转群,
S
是尺度群,
T
是平移群,是卷积核旋转角度,是卷积核尺度等级,是卷积核平面坐标,
×
是直积,是半直积;中间层的旋转与放缩等变卷积映射为:其中,
f(r,s,t):
是特征图,
ψ
(r,s,t):
是中间层卷积核,中间层的旋转与放缩等变卷积映射
Φ
H
将一个定义在群
H
的特征图映射到另一个定义在群
H
的特征图
。
4.
根据权利要求3所述基于旋转与放缩等变网络的眼底血管分割方法,其特征在于,所述步骤2,参数化卷积核为:,参数化卷积核为:,参数化卷积核为:其中,
ψ
(x)<...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。