[发明专利]一种视网膜血管分割方法和装置

权利要求书

1.一种视网膜血管分割方法，其特征在于，包括：

获取待分割视网膜血管图像；

根据深度全卷积网络模型对所述待分割视网膜血管图像进行分割，得到所述待分割视网膜血管图像的分割结果图；

所述深度全卷积网络模型包括残差联想模块，所述残差联想模块用于提取输入到残差联想模块的视网膜血管图像中的多个不同尺度上的分支血管特征信息，将所述多个不同尺度上的分支血管特征信息进行组合，去除组合后血管特征信息中的冗余血管特征信息，将所述输入到残差联想模块的视网膜血管图像和去除冗余血管特征信息的组合后的血管特征信息进行合并，生成所述残差联想模块的输出图像；

所述输入到残差联想模块的视网膜血管图像为对所述待分割视网膜血管图像进行血管特征信息缩减后的图像。

2.根据权利要求1所述的方法，其特征在于，所述深度全卷积网络模型具体包括解码网络和编码网络；

其中，所述解码网络包括多个级联的第一神经网络组和第一卷积层，

所述第一神经网络组包括级联的第二卷积层、所述残差联想模块和第一最大池化层；

所述第二卷积层用于缩减所述待分割视网膜血管图像或者缩减经过位于所述第二卷积层之前的第一神经网络组处理后的待分割视网膜血管图像中的血管特征信息；

所述第一最大池化层用于对所述残差联想模块的输出图像进行池化，以得到池化后的视网膜血管图像；

所述第一卷积层用于提取由最深层的第一最大池化层池化后的视网膜血管图像的主干血管特征信息；

所述编码网络包括多个级联的第二神经网络组和第三卷积层，各个所述第二神经网络组包括级联的反卷积层、合并层和第四卷积层；

所述反卷积层用于将池化后的视网膜血管图像恢复到池化前的视网膜血管图像；

所述合并层用于将反卷积层的输出与相应的解码网络中的残差联想模块的输出图像进行线性相加合并，以恢复血管特征信息；

所述第四卷积层用于恢复解码网络中的第一最大池化层在池化过程中丢失的血管特征信息；

所述第三卷积层用于对最深一层的第四卷积层的输出结果进行逻辑回归。

3.根据权利要求1或2所述的方法，其特征在于，所述残差联想模块包括联想模块和残差模块；

所述联想模块包括多个分支、组合层和第五卷积层；

所述多个分支用于提取多个不同尺度上的分支血管特征信息；

所述组合层用于将所述多个不同尺度上的分支血管特征信息在对应位置相加，得到组合后的血管特征信息；

所述第五卷积层用于去除所述组合后的血管特征信息中的冗余血管特征信息；

所述残差模块用于将输入到所述残差联想模块的视网膜血管图像和去除冗余血管特征信息的组合后的血管特征信息进行线性相加合并，生成所述残差联想模块的输出图像。

4.根据权利要求1或2所述的方法，其特征在于，所述获取待分割视网膜血管图像之后，所述根据深度全卷积网络模型对所述待分割视网膜血管图像进行分割，得到所述待分割视网膜血管图像的分割结果图之前，还包括：

对所述待分割视网膜血管图像进行图像增强处理，得到增强处理后的待分割视网膜血管图像；

所述根据深度全卷积网络模型对所述待分割视网膜血管图像进行分割，得到所述待分割视网膜血管图像的分割结果图，具体为：

根据深度全卷积网络模型对所述增强处理后的视网膜血管图像进行分割，得到所述待分割视网膜血管图像的分割结果图。