[发明专利]基于生成式对抗网络的血管分割网络及方法

权利要求书

1.基于生成式对抗网络的血管分割网络的分割方法，其特征在于：包括以下步骤：

A、建立基于生成式对抗网络的训练模型和样本集；训练模型包括生成模型和判别模型两个子模型，样本集包括彩色眼底图像及人工标注后的真实样本，彩色眼底图像与真实样本一一对应；

B、将样本集中彩色眼底图像输入生成模型，提取图像特征信息后输出视网膜血管概率图像作为生成样本；

C、将生成样本和对应的真实样本同时输入判别模型，判别模型分别赋予真实样本和生成样本以不同的标签，对真实样本和生成样本进行区分；

D、对生成模型和判别模型进行交替训练优化，直至判别模型与生成模型之间达到纳什平衡，网络训练完成，训练完成的训练模型即为生成式对抗网络的分割模型；

达到纳什动态平衡时，生成模型能够生成接近真实样本的新样本，生成模型能够恢复真实的样本分布，判别模型的判别结果为真实样本和生成样本各占50％，无法区分真实样本和生成样本，至此，网络训练完成；

E、将待分割视网膜血管彩色图像输入分割模型，输出血管分割结果；

所述生成式对抗网络的血管分割网络，包括生成模型和判别模型两个子模型；生成模型采用编码-解码对称结构对输入的特征图进行端到端的分割，生成模型编码部分采用四个卷积模块对输入图像进行抽象特征的提取，每个卷积模块由两层卷积结构组成，卷积结构均采用3×3大小的卷积核且每个卷积块后均加一层2×2的最大池化层；判别模型的网络整体结构采用深度卷积网络，包括三个卷积模块、两个密集连接模块和两个压缩层；

所述生成模型的编码部分中，每个卷积结构的卷积层后紧跟Batch Normlazation层和非线性单元层；

所述密集连接模块由三个BN-Relu-Conv复合层结构组成；

所述判别模型的池化层kernel size均为2×2，stride为2的最大池化。

2.根据权利要求1所述的基于生成式对抗网络的血管分割方法，其特征在于：样本输入步骤A所述判别模型后的具体过程为：

a1：输入样本至判别模型的第一个卷积模块，经过多层卷积提取样本特征，并进行归一化和非线性激活处理；

a2：提取的样本特征输入至两个密集连接模块；密集连接模块中，将前层结果与本层结果合并作为下一层的输入，设网络第i层的输出为x_i，则一个密集连接模块第i层的输出表示为

x_i＝H_i([x₀,x₁,…x_i-1]) (1)

公式(1)中，H_i([x₀,x₁,…x_i-1])表示第i层的非线性映射，x₀,x₁,…x_i-1表示将0…i-1层输出的特征图合并；

a3：密集连接模块输出的特征经过压缩层进行多层特征图的压缩，最后进入两个卷积模块，提取抽象的样本特征，通过sigmod输出对真实样本和生成样本的判断。