【技术实现步骤摘要】
本专利技术涉及计算机视觉与医学图像处理领域，尤其涉及一种融合中心线图和增强对比度网络的血管分割方法及其系统。
技术介绍
1、医学图像分割是计算机辅助诊断领域的一个重要分支，它在临床诊断和研究中有着广泛的应用，可分为传统方法和基于深度学习的方法。传统方法是基于传统计算机视觉和图像处理技术的方法来进行图像分析的一类方法，包括了基于阙值分割、模板匹配和聚类等经典的分割方法。这些方法经常作为图像处理的预处理步骤，用以获取图像的关键特征信息，提升图像分析效率。如已经提出中心线提取的方法，使用中心线可以提取血管的几何信息，对血管分割取得不错的效果。然而，传统的方法容易受到干扰因素的影响，对庞大数据集的分割任务不适用，不能满足实际的需求。
2、近年来，深度学习技术的飞速发展让医学影像分析领域取得了重要进展，一系列基于深度学习的分割方法被提出，越来越多基于深度学习的神经网络模型被应用到医学图像分割中，利用神经网络模型自动分析特征并实现血管分割。如使用基于u-net架构的神经网络，将unet和残差网络的优势结合到一起对血管进行分割，得到了良好的效果。然而，单一的网络模型往往难以充分利用血管的不同层次的特征信息，从而限制了血管分割的效果。
3、因此，本专利技术提出了融合中心线图和增强对比度网络的血管分割方法及其系统，可以在分析复杂度高的图像时神经网络还能够很好的结合血管的几何信息，提高分割的效率和质量。
技术实现思路
1、本专利技术针对现有技术的不足，提出了一种融合中心线图和增
2、本专利技术解决技术问题的技术方案为：
3、一种融合中心线热图和增强对比度的双解码器网络的血管分割方法，包括以下步骤：
4、s1.在数据集和中选取张眼底视网膜图像，记为数据集；
5、s2.对数据集进行预处理，首先进行数据增强，然后将增强后的数据集按比例划分为训练集和测试集；
6、s3.构建包含编码器、中间结构层，提取中心线模块，第一解码器、第二解码器和特征融合模块的网络结构，对输入图像进行特征提取和分析，然后将得到的特征图送入解码器，最后对特征图进行融合；
7、s4.通过计算提取中心线模块得到的中心线热图与其对应的掩模图像标签的损失函数来量化预测结果和真实标签之间的差异程度，进一步计算总体损失；
8、s5.使用反向传播计算损失函数对网络参数的梯度，对步骤s3中网络结构的参数进行优化，得出最优的网络权重weight和偏置量bias，并将其保存，然后读取保存的网络权重weight和偏置量bias，并将其加载入网络结构中，最后读取测试集的眼底视网膜图像，完成血管分割，保存最终的图像结果。
9、进一步地，s1的具体步骤为：在公开的数据集和中一共选取n张眼底视网膜图像，记为数据集，，表示第张眼底视网膜造影图像，和数据集是用于眼底视网膜图像分割的常用数据集，包含40张tif格式的已注释的彩色视网膜图像，包含800张png格式的已注释的彩色视网膜图像。
10、进一步地，s2的具体步骤为：对数据集进行预处理，首先对数据集进行剪裁、翻转、旋转和缩放进行数据增强，得到增强后的数据集，，，表示第张增强后的眼底视网膜造影图像，按7:3的比例对增强后的数据集进行划分，将数据集划分为训练集和测试集。
11、进一步地，s3的具体步骤为：
12、a.通过编码器对数据集中的原始图像进行特征提取，编码器内依次为四组特征提取单元和最大池化层，特征提取单元均由两个卷积块和一个残差块组成，卷积块分为第一卷积块和第二卷积块，卷积块均由卷积核为3×3，步长为1×1，padding为0的卷积层、bn归一化层、relu激活函数和dropout层组成；
13、a-1）在第一特征提取单元中，将训练集中的第张图像输入到第一卷积块，得到特征图，随后将特征图输入到第二卷积块，得到特征图，然后将特征图和输入到残差卷积块中得到特征图；
14、a-2）将特征图输入到窗口设置为2×2的第一最大池化层得到特征图；
15、另外三组特征提取单元和最大池化层重复a-1）和a-2）中的操作：
16、a-3）将特征图输入到第二特征提取单元，首先经过第一卷积块得到，将输入到第二卷积块得到，将特征图和输入到残差卷积块中得到特征图，将特征图输入到第二最大池化层得到特征图；
17、a-4）将特征图输入到第三特征提取单元，首先经过第一卷积块得到，将输入到第二卷积块得到，将特征图和输入到残差卷积块中得到特征图，将特征图输入到第三最大池化层得到特征图；
18、a-5）将特征图输入到第四特征提取单元，首先经过第一卷积块得到，将输入到第二卷积块得到，将特征图和输入到残差卷积块中得到特征图，将特征图输入到第四最大池化层得到特征图；
19、b.中间结构层包括第一卷积块、第二卷积块和残差连接块，第一卷积块和第二卷积块包括卷积核为3×3，步长为1×1，填充padding为0的卷积层、bn归一化层、relu激活函数和dropout层；
20、b-1）将特征图输入到第一卷积块中得到特征图；
21、b-2）将特征图输入到第二卷积块中得到特征图；
22、b-3）将特征图和特征图输入到残差连接块中得到特征图；
23、c.提取中心线模块对数据集中的掩模图像进行分析，得到中心线热图的部分，提取中心线模块由第一多任务卷积单元、中心线距离计算层、特征点检测层、特征融合层和第二卷积单元组成；第一多任务卷积单元由第一卷积块、第二卷积块和第三卷积块组成，其中，第一卷积块由卷积核为3×3，步长为1×1，padding为0的卷积层、bn归一化层和relu激活函数组成，第二卷积块和第三卷积块均由卷积层、bn归一化层、relu激活函数和sigmoid激活函数组成；中心线距离计算层由距离图计算层、通道注意力模块和特征融合层组成；中心线距离计算层的通道注意力模块依次由卷积层、relu激活函数和softmax函数组成，不同通道位置的特征是不同的，围绕中心线的狭窄区域需要更多的关注以获得最佳的区分对比度；
24、c-1)将训练集中第张眼底视网膜掩模图像输入到第一多任务卷积单元的第一卷积块中得到特征图，将特征图输入到第二卷积块中，经过sigmoid函数得到特征图，将特征图输入到第三卷积块中，经过sigmoid函数得到特征图；
25、c-2)将特征图输入到距离图计算层，采用欧几里得距离变换方法将特征图生成中心线距离特征图，假设图像分割掩模是，，表示图像中所有像素点位置的集合和，计算公式为：
26、，
27、，
28、其中，是像素到中心线点的欧几里得距离，是像素i在x轴上的位置，是像素i是在y轴上的位置，，是卷积符号，是调整参数；
<本文档来自技高网...【技术保护点】
1.一种融合中心线图和增强对比度网络的血管分割方法，其特征是，包括以下步骤：
2.根据权利要求1所述的融合中心线图和增强对比度网络的血管分割方法，其特征在于：
3.根据权利要求2所述的融合中心线图和增强对比度网络的血管分割方法，其特征在于：
4.根据权利要求3所述的融合中心线图和增强对比度网络的血管分割方法，其特征在于：
5.根据权利要求4所述的融合中心线图和增强对比度网络的血管分割方法，其特征在于：
6.根据权利要求5所述的融合中心线图和增强对比度网络的血管分割方法，其特征在于：
7.一种融合中心线图和增强对比度网络的血管分割方法的系统，其特征在于，包括以下模块：
【技术特征摘要】
1.一种融合中心线图和增强对比度网络的血管分割方法，其特征是，包括以下步骤：
2.根据权利要求1所述的融合中心线图和增强对比度网络的血管分割方法，其特征在于：
3.根据权利要求2所述的融合中心线图和增强对比度网络的血管分割方法，其特征在于：
4.根据权利要求3所述的融合中心线图和增强对...
【专利技术属性】
技术研发人员：陈达，王友明，刘丽，张炯，曹步勇，张林，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：
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。