[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

说明书

一种基于生成式对抗网络的显微图像中微血管分割方法。是为了解决微血管图像，由于算法的限制或者实际成像对比度较低，算法分割结果常常出现血管断裂的现象和血管分支细节存在冗余的问题。本发明包括如下步骤：建立基于生成式对抗网络的训练模型和样本集；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；对显微图像对比自适应直方图均衡化进行增强处理；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；对真实样本和生成样本进行区分；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；本发明应用于显微图像中微血管分割。

技术领域

本发明涉及一种基于生成式对抗网络的显微图像中微血管分割方法。

背景技术

显微图像下的微血管图像灰度分布不均匀，血管结构复杂，目标血管与图像背景对比度较低，以及图像噪声等影响，显微图像下的微血管分割面临着巨大的挑战。传统分割方法有基于模式识别的方法(监督分类和无监督分类)、基于匹配滤波的、基于数学形态学的、基于追踪的方法等。

生成对抗网络(Generative Adversarial Network，GAN)，其要解决的问题就是如何生成符合真实样本概率分布的新样本。对抗网络可以认为是由一个生成模型和一个判别模型组成。在训练过程中，两个网络交替迭代优化，形成竞争对抗，直到双方达到一个动态的平衡。通过对抗学习，让算法直接学习到数据的分布情况。然而对于复杂的数据，例如高分辨率的图像，无监督的学习到它的像素分布情况是极其困难的。2014年，Mehdi Mirza将约束条件引入了生成对抗网络，提出条件生成对抗网络(Conditional GenerativeAdversarial Network，CGAN)，使生成的新样本变得可控，更符合预期。2016年，FacebookAI团队将深度神经网络引入生成对抗网络，提出了深度卷积生成对抗网络(DeepConvolution Generative Adversarial Network，DCGAN)，引入卷积神经网络后不仅能够加快生成对抗网络的训练过程，而且还使得训练过程更加稳定。生成对抗网络将神经网络与对抗思想相结合，已经开始应用于医学图像处理，在医学图像分割领域也取得较好的成果。Moeskops等人利用GAN和扩张卷积实现了脑MR图像的自动分割，并加入扩张卷积来代替池化层，减少下采样中特征的丢失，使得分割结果好于全卷积网络。

上述的方法能够提取大部分微血管图像，由于算法的限制或者实际成像对比度较低，算法分割结果常常出现血管断裂的现象和血管分支细节存在冗余。

发明内容

本发明的目的是提供一种基于生成式对抗网络的显微图像中微血管分割方法。

上述的目的通过以下的技术方案实现：

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；