[发明专利]基于生成式对抗网络的血管分割网络及方法

说明书

本发明公开了一种基于生成式对抗网络的血管分割网络及方法，分割网络包括生成模型和判别模型，生成模型在采用U型编码‑解码结构的基础上加入残差连接，判别模型采用VGG网络的全卷积形式，将中间部分的卷积层替换成密集连接模块，分割方法通过生成模型生成彩色眼底图像的生成样本，将生成样本和对应真实样本输入判别模型，对生成模型和判别模型进行交替训练优化，最后，将待分割的视网膜血管彩色图像输入训练优化后的模型中即可输出血管分割结果；本发明能够检测到更多视网膜血管图像中的微小毛细血管，并能更精确地定位血管边缘，大大提升血管分割精度，且极大提高了血管图像分割灵敏性、有效性和稳定性。

技术领域

本发明涉及卷积神经网络和视网膜血管分割技术领域，尤其涉及一种基于生成式对抗网络的血管分割网络及方法。

背景技术

眼睛是人体最重要的感觉器官之一，但世界上却有许多人正遭受失明的折磨。在众多致盲眼病中，老年黄斑性病变，糖尿病视网膜病变、高血压性视网膜病变等眼底疾病更是致盲的主要原因。从临床角度看，这些疾病的存在与视网膜血管的直径，曲度，分支形式或角度的形态学改变有密切关系，眼科医生可通过观察分割后的眼底视网膜血管图像来了解其他脏器血管情况，对眼病和全身多种疾病进行诊断。然而，在实际的临床诊断中，眼科专家主要依据本领域专业知识及个人经验对视网膜血管图像进行人工分割。但由于医患人数不均衡，近年来医学影像数量不断增加，使得人工分割方法耗时耗力，且对于临床经验不足的新手医生，分割的准确性难以保证，人工分割方法不利于大规模的疾病筛查和诊断工作。所以近年来视网膜血管的自动分割方法成为了领域的研究热点。

目前，在病理照片图像分割领域出现了大量的视网膜血管自动分割方法，但由于视网膜血管结构复杂，毛细血管部位表现度低，一般的分割方法很难保持血管的连通性，所以视网膜血管分割对计算机来说仍具有较大挑战。当今的分割方法根据是否需要人工标注的金标准可将其分为监督方法和非监督方法两大类。

(一)非监督分割方法：

非监督分割方法是通过观察给定的样本，手工设计特征和规则。对于视网膜血管分割，无监督方法可以挖掘视网膜图像中血管的固有模式，以确定像素是否为血管。常见无监督方法主要有基于数学形态学的，基于概率统计，基于匹配滤波器，以及血管跟踪方法。George Azzopardi等提出了一种选择性响应容器的滤波器，称之为B-cosfire，其通过计算高斯差分滤波器组输出的加权几何平均值来实现方向选择性的，通过对两种旋转不变B-COSFIRE滤波器的响应进行总结并进行阈值化，实现了对血管的分割。Yitian Zhao等提出了一种新的无限主动轮廓模型，利用图像的混合区域信息来自动化检测血管结构。Jiang等提出了一种基于形态学操作的全局阈值提取视网膜血管结构的新方法。梁恩慧，提出了基于线模板滤波和B-COSFIRE改进匹配滤波的视网膜血管分割算法，利用匹配滤波分割出粗血管，再利用宽度为单个像素的线模板滤波器探测到细小血管，并通过B-COSFIRE提取血管分叉点和交叉点信息；最后将三者分割结果图采用或操作进行融合。无监督方法适用于大量未标记数据训练，但在计算上非常复杂，且耗费大量时间成本。在正常视网膜图像上，这些方法大多表现良好，而在病理视网膜图像上，这些方法的分割精度较低。

(二)监督分割方法：