[发明专利]一种视网膜血管分割方法和装置

说明书

本申请公开了一种视网膜血管分割方法，该方法基于深度全卷积网络模型进行视网膜血管分割，而该模型包括残差联想模块，该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。如此，基于该模型的方法提高了血管分割的准确性，有利于辅助医生的准确诊断。

技术领域

本申请涉及医学影像技术领域，特别涉及一种视网膜血管分割方法和装置。此外，本申请还特别涉及一种深度全卷积网络模型的训练方法和装置。

背景技术

视网膜可作为常见疾病例如高血压、糖尿病和脑卒中等重要检测指标，多年来，一直是国内外医学研究的热点。

常见的视网膜血管病变有血管局限缩窄、弥漫缩窄、动静脉交叉压迫、血管行走改变、铜丝动脉、出血、棉絮斑、硬性渗出等。对眼底图像进行血管分割是视网膜血管病变检测的基础。

现有的视网膜血管分割方法主要分为两大类：基于规则和基于学习。

基于规则的方法主要是利用视网膜图像中血管的特性，设计相应的滤波器完成增强血管特征和抑制背景噪声任务。例如基于匹配滤波的方法，该方法是将滤波器和图像进行卷积来提取目标对象，由于视网膜血管剖面的灰度符合高斯特性，因此可以通过计算图像滤波后的最大响应值来进行血管分割。经典的匹配滤波方法是根据血管特征基本符合高斯分布的特点，将视网膜血管与高斯分布函数进行不同方向的匹配滤波(典型值：12个不同方向)，然后对响应结果进行阈值化，选取响应最大的匹配滤波结果作为血管输出，最终提取出视网膜血管图像。

基于学习的视网膜图像分割方法大致可以分为两类：基于传统机器学习的方法和基于深度学习的方法。基于传统机器学习的方法主要是选择有效特征和分类器选择，而基于深度学习的方法关键在于网络结构的设计。传统机器学习方法主要采用二维Gabor小波变换响应等方法，提取有限特征，然后训练支持向量机进行分类。而深度学习可以自动提取图像特征并且取得很好的效果，有人尝试用卷积神经网络和全卷积网络来进行血管分割。

然而，基于规则的方法不仅计算量较大，而且视网膜中病变部位的特征与血管特征非常相似，这会给疾病检测带来很大难度。

基于学习的方法中，传统机器学习很难设计出有效的特征来描述视网膜血管多种形态，而深度学习相比传统方法分割结果有一定程度提高，但是在视网膜中血管不明显区域，分割结果不准确，不利于辅助医生的准确诊断。

发明内容

有鉴于此，本申请实施例提供了一种视网膜血管分割方法和装置，以提高视网膜血管分割的准确性，进而辅助医生提高诊断准确性。

此外，本申请实施例还提供了一种深度全卷积网络模型的训练方法和装置。

为了解决上述技术问题，本申请采用了如下技术方案：

一种视网膜血管分割方法，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。