[发明专利]一种自适应尺度信息的U型视网膜血管分割方法

权利要求书

1.一种自适应尺度信息的U型视网膜血管分割方法，其特征是：包括以下步骤：

步骤A01，视网膜血管图像预处理：

首先利用二维K-L变换方法综合分析视网膜图像的RGB三通道的频带信息，获取最优化目标形态结构和特征信息的第一主分量p₁作为主要研究对象；然后利用多尺度形态学Top-Hot滤波提升视网膜图像微小血管的多尺度亮、暗细节特征，并平滑去噪；

步骤A02，构建视网膜血管分割模型：

首先在U-net模型中引入局部信息熵采样方法将视网膜图像划分为含血管信息量丰富的块状图像，有助于增加训练集，解决算法过拟合的问题；编码部分引入DenseNet网络DenseBlock结构，并且在DenseBlock结构嵌入可变形卷积层Deformable Convolutional，这样不仅能有效地学习金标准图像提供的特征信息，而且具有自适应血管形态结构和尺度信息能力，使得算法更鲁棒地提取血管复杂结构的特征信息；同时DenseBlock结构能充分利用每层可变形卷积的前后输出层特征图的结构信息，以降低特征提取时的网络参数复杂度，进一步克服原始U-net网络存在对底层卷积层血管特征信息利用不全的现象；其次，在U型模型底部引入金字塔型空洞卷积，通过设置不同扩张率有助于空洞卷积捕捉血管的局部或者全局特征信息，同时在增加网路整体的感受野信息情况下不增加算法的复杂度；在解码部分引入带有注意门模型Attention gates的反卷积网络；注意门模型Attentiongates，简称AGs，AGs可以根据金标准图像g_τ特征信息增加经编码处理后第l网络层输入特征图x’_τ^l血管的权重特征，能有效捕捉到血管的全局或者局部特征信息，并且过滤背景伪影、硬性渗出物、视盘和黄斑，提升反卷积层对血管图像信息的恢复和特征整合的性能，并结合U-net自身具有将高层信息与底层信息相结合的优点，有利于降低解码操作在恢复图像细节信息时，因信息恢复不全而造成的微血管断裂和分割不足的现象；最后，由Softmax激活函数进行血管与背景像素分类，以实现视网膜血管精分割；

所述的视网膜血管图像预处理包括以下子步骤：

步骤A01.1，利用二维K-L变换分析图像的统计信息来减少由颜色频带之间组成的数据维度，同时尽可能地保留数据集中主要的血管空间尺度信息；对于原始三通道图像x＝(x_R,x_G,x_B)^T，频带之间信息是不相关的，故将原始颜色频带分量转换到主分量P＝(p₁,p₂,p₃)空间并创建三个新通道R′,G′,B′，相当于将原始RGB坐标系的中心点移到点分布的中心位置；原始图像x＝(x_R,x_G,x_B)^T经K-L变换得到图像I_k，其定义如下：

式(1)中，为x的协方差矩阵的特征向量矩阵，T为转置符号；k＝1,2,3；为了找到图像三通道的主分量P＝(p₁,p₂,p₃)，并得到特征向量矩阵，需要将数据进行协方差对角化，故定义协方差矩阵C(i,j)为：

式(2)中，x_i(m,n)和x_j(m,n)分别为像素点(m,n)在i和j频带的值；x_i0和x_j0分别为i和j频带的平均值；由于眼底视网膜图像有R、G和B三个频带，故i,j＝1,2,3；N为像素个数；

步骤A01.2，由多尺度形态学Top-Hot变换进行血管图像的整体增强，同时提取视网膜血管的微血管信息；通过控制图像边缘信息控制因子γ_a，调整相邻血管像素尺度的差值，降低视盘与黄斑特征信息的干扰，提高视网膜图像微小血管的多尺度亮、暗细节特征；多尺度形态学Top-Hot模型定义如下：

式(3)中，N为视网膜图像像素索引；λ为视网膜图像边缘增强因子；I_d为输出图像；I₁为包含最优化目标形态结构和特征信息的第一主分量p₁所对应的图像；Dop_a与Dcl_a分别为视网膜图像血管的亮与暗细节特征；控制因子γ_a的值由下式给出：

式(4)中，Sigmoid为激活函数；e_a是视网膜图像膨胀与腐蚀之差；e_amax与e_amin分别为e_a的最大值与最小值；γ_a的变化主要由视网膜图像的梯度信息决定；m，n为图像邻域像素值；

步骤A01.3，采用48×48的滑动窗口根据金标准图像局部块状所提供的目标特征信息确定训练图片局部区域的标签，并通过局部信息熵采样的方法捕捉预处理图像中的信息熵最高的块状部分，确保局部块状中含有目标特征信息；其图像信息熵H定义如下：

式(5)中，h为灰度级，q_h为在灰度级h下的概率。

2.根据权利要求1所述的一种自适应尺度信息的U型视网膜血管分割方法，其特征是：所述的构建视网膜血管分割模型包括编码、解码和视网膜血管分割三部分：

A02.1编码部分：

在U-net编码部分将DenseNet网络的DenseBlock结构与可变形卷积相结合，密集连接的路径有助于保证可变形卷积层之间的最大信息流，进而提高可变形卷积对目标尺度和形态特征的提取，从而改善梯度消失的问题；设l层的输出为θ_l，则该模型第l层的输出定义为：

θ_l＝H_l([θ₀,θ₁,…,θ_l-1]) (6)

式(6)中，θ₀,θ₁,…,θ_l-1表示0,1,…,l-1层输出特征层的特征相合并,H_l(·)表示第l层非线性映射；函数H_l(·)会产生κ个特征映射，κ为增长率，则l层会具有κ₀+κ(l-1)特征映射，其中κ₀是输入层中的通道数目，因此每一层可以访问其模块中所有前面的特征映射；此外，DenseNet网络结构一个重要优势可以设定一个固定的特征图增长率κ；因此提取的特征图相比传统网络具有更少的输出维数，避免学习冗余特征，从而增强网络对视网膜血管分割的性能；可变形卷积通过偏移量Δt_b提升的提取特征能力，其定义为：

式(7)中f(·)为输入特征图；w表示样本权重值；t_b表示在的局部位置；b＝1,...,N，y(t₀)为可变形卷积的输出特征图；

编码部分的底部设置为金字塔型的空洞卷积模块，以进一步提高中间图像特征映射的感受野信息；空洞卷积将传统矩形卷积核的每个像素之间插入为0的像素值，从而增加网络的扩张率r；设输入与滤波器分别为E[s]和的空洞卷积输出y'[s]定义如下：

式(8)中，L是的长度；β为卷积核的大小，经扩张后卷积核为β'＝β+(β-1)(r-1)；采用小扩张率多尺度的策略，组成金字塔型的空洞卷积网络，该扩张率设置公式定义如下：

M_v＝max[M_v+1-2r_v,M_v+1-2(M_v+1-r_v),r_v] (9)

其中，M_v是指第v层的最大扩张率，r_v为第v层的扩张率，即设置扩张率为r＝1,2,5,1；

A02.2解码部分：

在解码结构中利用上池化跟踪目标图像的原始位置，上池化层能通过使用一组转换变量记录每个池化区域内的最大值激活位置，以获得近似的池化逆过程，有效地重构血管的精细分辨率结构信息，并以此联系空间网络水平模型的位置和全局范围内血管组织的关系；同时引入反卷积层学习上池化层的稀疏特征图，该反卷积层具有多个学习滤波器，能有效地捕捉血管特征图不同级别的细节信息；

在上池化层和反卷积层基础上引入注意门AGs模型降低周围噪音的干扰；AGs模型通过一个跳过连接传播特征，即不再经过上池化层，更重要的是AGs模型每跳过连接的选通信号可以聚集来自多个成像尺度的血管信息；AGs模型在不相关的背景区中会逐渐抑制特征响应，而不需要在网络之间裁剪感兴趣区域ROI，进而降低算法的计算复杂度，解决传统U-net卷积网络对特征图注意力分散的现象，使得血管权重与背景噪音权重具有明显差异，大幅度提高U型网络对背景的抗噪能力，降低假阳性率；设AGs模型的门注意系数为通过该系数能够识别血管特征的显著性区域和修剪相应的特征，仅保留与特征任务相关的特征信息，降低数据的冗余度，AGs输出特征定义如下：

式(10)中，x'_τ为输入特征图，l为网络层，d表示通道尺寸，τ为像素空间大小；AGs的门注意系数可以通过加性注意公式得到

式(11)中T为转置符号；η为视网膜血管特征图学习参数；AGs的特征由一组包含线性变换的参数ξ_att得到，该参数ξ_att包括：线性转换系数W_x',W_g分别为输入图像和金标准图像权重系数，b'_g和b'_η为偏置项；σ'₁为ReLU激活函数：在式(12)中，为防止特征过于稀疏，选择sigmoid激活函数进行非线性变换；x'_τ和g_τ分别为输入特征图和金标准图像；AGs通过对跨过连接特征图分析得到相应的门相关系数，使得AGs能够集中于和金标准图像相似的结构特征，剔除其他噪音等异常特征信息影响；

A02.3视网膜血管分割部分：

视网膜血管分割的整个训练过程通过交叉验证来最小化像素分割错误率，采用Adam算法优化损失函数，最后由Softmax激活函数对血管图像精分割。