[发明专利]基于距离调制损失的迭代式眼底图像血管分割方法

权利要求书

1.一种基于距离调制损失的迭代式眼底图像血管分割方法，其特征在于，包括以下步骤：

步骤S0，采集彩色眼底图像形成原始图像；

步骤S1，对原始图像进行规范化处理，得到标准化后的原始图像，作为训练图像和测试图像；

步骤S2，针对训练图像，迭代训练基于距离调制损失的稠密卷积神经网络，得到稠密卷积神经网络模型；

步骤S3，针对测试图像，利用稠密卷积神经网络模型迭代式分割血管，生成血管分割结果；

所述步骤S2中迭代训练基于距离调制损失的稠密卷积神经网络，包括如下步骤：

步骤S2.1，针对训练图像的血管标记图构造血管标记距离图，即先对血管标记图进行二值图像的距离变换，得到非血管像素点到血管像素点的欧式距离图M_nonves，再对血管标记图取反并进行二值图像的距离变化，得到血管像素点到非血管像素点的欧式距离图M_ves，合并两个距离图得到最终的血管标记距离图M_dist：

M_dist＝M_ves-M_nonves

其中，M_dist中的正值表示血管像素点，并且值越大表示像素点越靠近血管中心线，M_dist中的负值表示非血管像素点，并且值越小表示像素点越远离血管；

步骤S2.2，对训练图像进行随机采样，每张训练图像上随机选取多个像素大小为48×48并且包含RGB三个通道的图像块，并选取它们对应的血管标记图和血管标记距离图M_dist中的位置区域组成训练样本集；

步骤S2.3，对训练样本集中的图像块增加1个血管概率通道，该血管概率通道用于存放对应像素点的血管概率值，初始的概率值为0.5，表示迭代训练前对每个像素点是否属于血管的无偏差估计；

步骤S2.4，利用U型网络和稠密卷积模块，构造稠密卷积神经网络用于生成图像块的血管概率图，每个稠密卷积模块包含5个卷积层，每个卷积层包含12个3×3的卷积核，填充和步长均为1，该稠密卷积神经网络的输入为48×48像素大小的包含RGB和血管概率的4通道图像块，输出为48×48像素大小的包含血管和非血管两类概率的2通道图像块；

步骤S2.5，对训练样本集中每个图像块的像素点定义距离调制损失，根据对应血管标记图中的标记：

-若该像素点标记为血管像素点，则距离调制损失定义为：

Loss_ves＝-M_dist(q)^A log P

其中，q为该像素点在训练图像中的位置，P为该像素点的血管概率值，A为血管像素点的距离调制因子，对于靠近血管中心线的血管像素点给予更高的权重；M_dist(q)为像素点q在血管标记距离图M_dist的取值；

-若该像素点标记为非血管像素点，则距离调制损失定义为：

Loss_nonves＝-|M_dist(q)|^Blog(1-P)

其中，由于非血管像素点在血管标记距离图中为负值，需要取绝对值运算，B为非血管像素点的距离调制因子，对于远离血管的非血管像素点给予更高的权重；

步骤S2.6，基于定义的距离调制损失，多次迭代训练构建的稠密卷积神经网络。

2.根据权利要求1所述基于距离调制损失的迭代式眼底图像血管分割方法，其特征在于，所述步骤S0中采集彩色眼底图像形成原始图像是指利用彩色数码眼底相机拍摄眼底进行眼底图像采集。