[发明专利]一种基于生成式对抗网络的显微图像中微血管分割方法

权利要求书

1.一种基于生成式对抗网络的显微图像中微血管分割方法，其特征是：该方法包括如下步骤：

步骤一：建立基于生成式对抗网络的训练模型和样本集；

步骤二：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显微图像下微血管概率图像作为生成样本；

步骤三：采用RGB三通道显微图像进行网络训练，对显微图像对比自适应直方图均衡化进行增强处理；

步骤四：增加训练的数据量对预处理单元处理后的显微图像进行再次增强处理；

步骤五：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；

步骤六：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；

步骤七：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；

所述的基于生成式对抗网络的显微图像中微血管分割方法的生成网络包括图像预处理单元、数据增强单元、生成模型和判别模型；

所述的生成网络模型中采用将U型网络和resnet网络相结合；

所述的判别模型采用深度卷积网络，包括三个卷积模块、两个密集连接模块和两个压缩层。

2.根据权利要求1所述的一种基于生成式对抗网络的显微图像中微血管分割方法，其特征是：所述的生成网络模型包括收缩路径、扩展路径和输出层。

3.根据权利要求2所述的一种基于生成式对抗网络的显微图像中微血管分割方法，其特征是：所述的收缩路径主要由多个resnet卷积块和下采样组成，收缩路径中特征提取部分采用resnet网络的思想。

4.根据权利要求3所述的一种基于生成式对抗网络的显微图像中微血管分割方法，其特征是：所述的扩展路径主要由反卷积块和上采样组成，在反卷积块进行反卷积之前还使用了concatenate操作，将U型网络左侧收缩路径卷积之后的图像按通道跳跃链接到与之相对应的扩展路径中，卷积变换采用的是2个Conv(3×3)+BN+ReLu的组合。

5.根据权利要求4所述的一种基于生成式对抗网络的显微图像中微血管分割方法，其特征是：所述密集连接模块由三个BN-Relu-Conv复合层结构组成。

6.根据权利要求1所述的一种基于生成式对抗网络的显微图像中微血管分割方法，其特征是：所述的判别模型的具体过程为：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xi，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)

其中，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；

采用二元交叉熵损失函数对目标函数进行优化，训练过程中分别对判别模型和生成模型交替优化训练，因此判别模型的优化表示为：

θ_D表示判别模型需要优化的参数；L_D(D(x,G(x)),0)表示将生成样本判别为0的损失；L_D(D(x,y),1)表示将真实样本判别为1的损失。

7.根据权利要求1所述的一种基于生成式对抗网络的显微图像中微血管分割方法，其特征是：所述的生成模型的收缩路径主要由多个resnet卷积块和下采样组成，收缩路径中特征提取部分采用resnet网络的思想，解决梯度消失或者梯度爆炸的问题，可以保护信息的完整性，整个网络只需要学习输入和输出的差别部分，卷积变换采用的是BN+ReLu+Conv(3×3)的组合，使用批量归一化BN进行优化调整，线性修正单元ReLu激活函数有效的减少了反向传播中梯度消失，ReLu激活函数如下：

ReLU(x)＝max(x,0)

扩展路径主要由反卷积块和上采样组成，在反卷积块进行反卷积之前还使用concatenate操作，将U型网络左侧收缩路径卷积之后的图像按通道跳跃链接到与之相对应的扩展路径中，卷积变换采用的是2个Conv(3×3)+BN+ReLu的组合。