[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

说明书

本发明涉及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：1)对眼底图像的绿色通道进行CLAHE及Gamma校正以增强对比度；2)为了适应网络训练，对增强后的图像进行分块以扩充数据；3)以深度可分离卷积代替标准的卷积方式以增加网络宽度，同时引入通道加权模块，以学习的方式显式地建模特征通道的依赖关系，提高特征的可分辨性。将二者结合应用于FCN网络中，以专家手动标识结果作为监督在DRIVE数据库进行实验。结果表明，该方法可以实现较为精确的视网膜图像血管分割，并且具有较高的鲁棒性。

技术领域

本发明涉及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，在灵敏度、特异性以及准确性方面比现有技术较优，具有很好的分割性能，属于医学图像处理、深度学习领域。

背景技术

研究表明，糖尿病视网膜病变、动脉硬化、白血病等疾病都会对眼底血管产生影响，导致其长度、宽度、角度的变化以及血管增生。临床上经常通过眼底视网膜图像对疾病进行筛查、分析和诊断。因此，为了对疾病进行定量分析，眼底血管分割成为视网膜相关工作中的关键步骤，对人类疾病的诊断有着指导意义，是科学造福人类的体现。

眼底图像血管分割问题已被广泛关注，目前存在一些难点：(1)对于存在组织损伤的病理图片，其中的病变区域对血管的分割起到很大的干扰作用；(2)在有些眼底图片中，血管的中心线呈现高亮状态，类似拍照反光现象，这种现象对血管分割也造成了一定的难度；(3)眼底图像中微细血管与背景的低对比度给毛细血管的识别带来了困难。

传统的眼底图像血管分割方法有很多种，但是存在很多弊端。人工手动的分割方法依赖操作者的技术经验，受主观因素较大，重复性低，效率也较低；无监督的分割方法不需要先验标记信息，但是对于存在组织损伤的病理图片分割效果较差；有监督的方法主要基于提取的特征训练分类器以达到识别血管与非血管的目的，但是对于特征训练分类器的要求很高，并且需要大量的预先分割好的视网膜血管图像作为训练样本来保证模型的精确度，对医学图像要求比较高。

近年来，深度学习算法取得了重大突破，通过组合浅层特征形成抽象的深层特征，并据此发现数据的分布式特征。FCN这种结构的提出使得图像级别的分类进一步延伸到像素级别的分类，且与采用图像块分类方法相比，提高了处理速度。

发明内容

本发明提出了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，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网络结构中进行训练，得到具有更好的特征分辨性的网络模型。

本发明的技术方案，包括下列步骤：

步骤1：以DRIVE库眼底视网膜图像为实验对象，对图像的绿色通道采用CLAHE和Gamma校正增强对比度；

步骤2：对步骤1中增强后的眼底视网膜图像进行分块实现数据扩充；

步骤3：在U-net网络部分结构的基础上，以深度可分离卷积代替标准的卷积方式，增加网络的宽度。同时，在每个跳跃式连接处引入一个通道加权模块，以学习的方式自动获取每个特征通道的重要程度，并依照重要程度自适应地调整各通道的特征响应，完成通道特征的重新标定。

步骤4：以训练好的分割模型对测试集图像进行测试，实现图像中血管与背景二分。

与现有技术相比，本发明的有益效果是：

本发明在少量数据的基础上进行有监督的学习，避免了复杂的图像处理过程。在灵敏度、特异性以及准确性上相比现有技术较优，而且AUC达到了0.98，说明本发明有很好的分割性能。

另外，对于一些病理图像，也能较好的分割出细小血管；由于背景差异造成的血管不连续，也能分割出一部分血管。相对于专家标记结果，特异性和准确性都比较高，因此本发明对于病理图也有较好的分割结果。