[发明专利]结合深度可分离卷积与通道加权的FCN视网膜图像血管分割

权利要求书

1.一种结合深度可分离卷积与通道加权的FCN视网膜图像血管分割方法，包括下列步骤：

步骤1：对DRIVE库的部分眼底视网膜图像的绿色通道进行CLAHE及Gamma校正以增强对比度；

步骤2：对步骤1中预处理后的图像进行数据扩充以适应网络训练的数据规模，并构建眼底视网膜图像数据集；

步骤3：以深度可分离卷积代替标准的卷积方式，同时考虑到特征通道之间的相互依赖关系，引入通道加权模块，将其嵌入FCN网络结构中形成改进的FCN网络；

步骤4：将步骤2中得到的眼底视网膜图像数据集输入改进的FCN网络进行有监督训练，利用训练好的分割模型在测试集进行测试。

2.根据权利要求1所述的结合深度可分离卷积与通道加权的FCN视网膜图像血管分割方法，其特征在于，步骤1中，选取DRIVE库眼底视网膜图像对比度较高的绿色通道进行处理，并对绿色通道图像进行归一化操作，之后对其进行CLAHE及Gamma校正以增强对比度。

3.根据权利要求1所述的结合深度可分离卷积与通道加权的FCN视网膜图像血管分割方法，其特征在于，步骤2中，以DRIVE库中训练集20幅原始图像为样本，对增强后的每幅图像中提取48×48的图像patch，每幅图像提取10000幅图像patch。相应地，以专家手动标记样本作为GroundTruth图像，进行同样的patch提取操作。

4.根据权利要求1所述的结合深度可分离卷积与通道加权的FCN视网膜图像血管分割方法，其特征在于，步骤3中，首先执行深度卷积，增加网络宽度，然后进行1×1卷积，融合通道信息。

5.根据权利要求1所述的结合深度可分离卷积与通道加权的FCN视网膜图像血管分割方法，其特征在于，步骤3中，采用SE模块，以学习的方式调整通道的依赖关系，实现通道特征的重标定。

6.根据权利要求1所述的结合深度可分离卷积与通道加权的FCN视网膜图像血管分割方法，其特征在于，步骤4中，对训练出的网络模型进行测试并与专家手动标识结果进行对比，从而判断该方法的分割性能。