[发明专利]一种基于深度学习的视网膜血管图像分割方法

说明书

本发明公开了一种基于深度学习的视网膜血管图像分割方法，通过对眼底图像增强，扩增训练集数据，构建密集连接卷积块，并采用密集连接卷积块取代传统卷积块实现特征重用并增强特征提取能力；构建注意力机制模块，通过对特征图进行自适应调整，使重要特征突出显现以抑制无效特征；搭建模型，搭建DA‑Unet网络，并使用处理好的数据集进行训练、调参，得到最佳分割模型并保存；实际分割，利用滑动窗口把需要分割视网膜血管的眼底图像分割为48x48的子块图像输入DA‑Uet网络中进行分割，输出分割后的子块图像结果，再对分割后的小方块图像拼接完整视网膜血管分割图像。本发明能够自动分割血管，对微小血管也具有良好的分割效果。

技术领域

本发明涉及一种图像分割方法，特别是一种基于深度学习的视网膜血管图像分割方法，属于图像处理领域。

背景技术

视网膜血管的形态结构变化往往意味着某些病理疾病的出现，例如高血压或糖尿病。高血压性视网膜病变是一种由高血压引起的视网膜疾病，其病理特征往往表现为视网膜血管曲度增大，或导致血管收缩。而糖尿病视网膜病变则是由血糖升高引起的视网膜疾病，往往伴有视网膜血管肿胀的病理特征。因此，眼底图像中的视网膜血管结构变化情况可以辅助眼科医生发现和诊断某些严重疾病的早期情况。然而，视网膜血管中存在大量微小血管，血管交互重叠且结构非常复杂。另外，视网膜血管与眼球对比度低，微小血管很难区别出来，且眼底图像在成像时，光线不均匀和噪声对其影响非常大。所以，在眼底图片上分离出视网膜血管异常复杂困难。眼底图分割视网膜血管主要分为人工分割和自动分割。前者费时费力，并要求眼科医生具有丰富的经验，效率低下，难以推广。而后者大幅度减少人工分割的工作量，因此自动分割视网膜血管具有重要意义。

目前，分割视网膜方法主要分为人工分割和自动分割，但人工分割主要依靠眼科医生的观察和手动标记，这个不仅导致效率低，而且具有较大差异性，对眼科医生水平要求较高，无法普及。同时因为视网膜血管结构复杂，存在很多微小血，眼科医生需要耗费大量的时间和精力，往往会耽搁患者的治疗时间。而自动分割，无需眼科医生的协助也可以实现自动化分割血管，并且得到数据较为客观，排除水平不同导致的结果差异，且对微小血管也得到较好的分割效果。然而自动分割方法的优劣，直接会导致最后的图像是否清楚直观，目前现有技术的分割方法效果并不理想。

发明内容

本发明所要解决的技术问题是提供一种基于深度学习的视网膜血管图像分割方法，实现视网膜血管图像的自动分割并且达到良好的分割效果。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于深度学习的视网膜血管图像分割方法，其特征在于包含以下步骤：

步骤一：眼底图像增强，对眼底图像进行对比度增强以突出视网膜血管细节；

步骤二：训练集数据扩增，对图像增强后的眼底图进行随机旋转，并随机分割出一系列48x48的小方块作为数据集；

步骤三：构建密集连接卷积块，并采用密集连接卷积块取代传统卷积块实现特征重用并增强特征提取能力；

步骤四：构建注意力机制模块，通过对特征图进行自适应调整，使重要特征突出显现以抑制无效特征；

步骤五：搭建模型，搭建DA-Unet网络，并使用处理好的数据集进行训练、调参，得到最佳分割模型并保存；

步骤六：实际分割，利用滑动窗口把需要分割视网膜血管的眼底图像分割为48x48的子块图像输入DA-Uet网络中进行分割，输出分割后的子块图像结果，再对分割后的小方块图像拼接完整视网膜血管分割图像。