[发明专利]一种用于眼底图像血管分割的U型网络

说明书

本发明实施例涉及一种用于眼底图像血管分割的U型网络。其中，该U型网络包括：特征编码器以及特征解码器，特征编码器与特征解码器连接，特征编码器包括M个串联的下采样模块，用于提取眼底图像的图像特征；特征解码器包括N个串联的上采样模块，N个上采样模块分别与N个下采样模块连接，用于输出眼底图像的血管分割结果。本发明解决了由于相关技术中眼底图像血管分割精度低，不能完全刻画眼底图像血管特征的技术问题。

技术领域

本发明涉及眼底图像分割领域，具体涉及一种用于眼底图像血管分割的U型网络。

背景技术

视网膜眼底图像分析对于眼科医生处理眼底疾病如糖尿病视网膜病变、青光眼等，与眼底表现相关的其他疾病，如高血压、冠心病等的诊断十分重要。如果不及时诊断治疗，会有失明或更严重的危险。眼底血管是视网膜眼底图像中最基本的组织结构之一，因为眼睛是唯一一个可以不用侵入人体可以直接观察血管的器官。并且视网膜和视神经直接与大脑神经相连，眼睛的微血管和大脑血管心血管也直接相连。所以通过观察眼底图像血管形态的变化在一定程度上可反应冠心病、高血压等相关慢性疾病。对于疾病筛查具有重要意义。

近几十年来视网膜眼底图片血管的自动分割已引起了重大关注。现有的分割算法可以分为两类：传统分割方法和神经网络分割方法。

1.传统分割方法：使用传统方法从眼底照中分割血管主要用到的信息是眼底色差信息。在早期阶段，通常依靠血管边缘之间的颜色强度差异，利用阈值来确定边界，并且图像形态学等方法对边界进行前后处理。

2.神经网络分割方法：由于传统方法在不使用任何标签信息的情况下进行血管分割任务，与传统无监督方法相比，利用神经网络分割方法显示出一些优势。可以被看作是像素级别的三分类问题。每个像素属于背景或血管。像素级分割是计算机视觉中十分重要的领域，可以被看作是一个语义分割问题。语义分割任务最初流行的深度学习方法是图像块分类，即利用像素周围的图像块对每一个像素进行独立的分类。使用图像块分类的主要原因是分类网络通常是全连接层，且要求固定尺寸的图像。常见的方法时利用全卷积网络进行眼底图像血管分割。

在上述的传统无监督方法中，模型通常涉及较多需要满足的附加条件，且对图像本身质量要求较高，分割出来的血管精度也较低。而对于神经网络分割方法中提到的全卷积神经网络，通过逐层提取特征的方式丢失了许多有用信息，导致眼底图像血管分割模型最终学得的参数不能完全刻画眼底图像血管特征。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种用于眼底图像血管分割的U型网络，以至少解决由于相关技术中眼底图像血管分割精度低，不能完全刻画眼底图像血管特征的技术问题。

根据本发明实施例的一个方面，提供了一种用于眼底图像血管分割的U型网络，该U型网络包括：特征编码器以及特征解码器，其中：所述特征编码器与所述特征解码器连接，所述特征编码器包括M个串联的下采样模块，用于提取眼底图像的图像特征；所述特征解码器包括N个串联的上采样模块，所述N个上采样模块分别与N个所述下采样模块连接，用于输出所述眼底图像的分割结果；其中，M，N均为大于1的正整数，M大于等于N。

进一步地，所述下采样模块输出的特征图尺寸与所述下采样模块连接的上采样模块的输入的特征图尺寸相同。

进一步地，所述上采样模块包括卷积单元、批量标准化激活单元以及拼接单元，其中：所述拼接单元与所述卷积单元连接；所述卷积单元，分别与所述拼接单元以及所述批量标准化激活单元连接，用于对所述拼接单元的输出结果进行卷积，以及将卷积单元的卷积结果输入至所述批量标准化激活单元。

进一步地，所述U型网络还包括卷积模块，其中：所述卷积模块，分别与所述特征编码器以及所述特征解码器连接。