[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

说明书

本发明涉及一种自适应尺度信息的U型视网膜血管分割方法，包括视网膜血管图像预处理；构建视网膜血管分割模型二步骤。本发明能有效地解决相邻血管易相连、微血管过宽、细小血管易断裂、血管交叉处分割不足以及对图像噪声过于敏感、目标与背景灰度值交叉、视盘与病灶误分割等问题。本发明在较低复杂度的情况下融合多种网络模型，在DRIVE数据集上取得优异的分割结果，其准确率和灵敏度分别为97.48％和85.78％。ROC曲线值达到98.72％，已达到现在医疗实际应用的水准。

技术领域

本发明涉及一种自适应目标尺度信息的U型密集连接视网膜血管分割方法，较好地解决了现有算法对血管尺度、姿态和纹理边缘信息鲁棒性不强的问题，有助于解决算法存在微血管分割不足、微血管分割过宽、血管交叉处分割断裂、病变处血管断裂、病灶与视盘误分割为血管等问题。

背景技术

血管是视网膜最重要的组成部分之一，视网膜血管分割和血管形态属性的划分，如长度、宽度、迂曲和角度，可用于各种心血管和眼科疾病的诊断、筛选、治疗和评估。近年来深度学习模型能够通过组合底层的特征形成高层的数据抽象特征进而模拟人类大脑认知机制，且能够自动发现隐藏在数据中的模式，具有强大的数据结构学习能力和特征提取能力，可以使用这类模型来学习图像形状复杂的全局特征进而表征形状，但传统的卷积模型仍然存在模型固化，尺度单一等缺点。

最新文献“(蒋芸,谭宁.基于条件深度卷积生成对抗网络的视网膜血管分割[J/OL].自动化学报:1-12,2018-08-27.doi.org/10.16383/j.aas.c180285.)”记载，在DRIVE数据集上分割准确率和灵敏度分别在96.08％和82.74％，而在医学图像处理技术中，视网膜血管分割结果准确率即使提升0.1％都需要在算法复杂度与分割性能之间做出优异的权衡，往往高精度代表着算法的高复杂度，达不到实时辅助专家医疗的水平。

发明内容

本发明的目的是针对视网膜血管特征复杂多样与现有分割算法存在的不足，提出一种自适应尺度信息的U型视网膜血管分割方法。

本发明的技术方案：一种自适应尺度信息的U型视网膜血管分割方法，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：