[发明专利]一种基于细节保持网络的图像分割方法

说明书

本发明公开了一种基于细节保持网络的图像分割方法，属于医学图像处理领域，首先获取图像数据集，通过预处理构建训练集图像和测试集图像；然后构建细节保持网络模型，细节保持网络模型包括初始卷积块、细节保持块和多个残差细节保持块，其中细节保持块和多个残差细节保持块为串联，各个残差细节保持块中的结构都相同；将训练集输入细节保持网络模型进行训练，直到损失函数收敛，获得训练好的细节保持网络模型；将测试集输入训练好的细节保持网络模型，得到图像分割结果。本发明的技术方案利用细节保持块和残差细节保持块进行处理使得图像分割的精度大幅提高。

技术领域

本发明属于医学图像处理领域，具体涉及一种基于细节保持网络的图像 分割方法。

背景技术

视网膜眼底图像已被广泛应用于多种心血管和眼科疾病的诊断，筛选和 治疗，视网膜血管的分割是定量分析的基本步骤。分割的血管树可以用来提 取血管的形态属性，如长度，宽度，分支和角度，此外，血管树作为图像中 最稳定的特征，已被采用在多模式视网膜图像配准，由于其独特性，血管树 也被用于生物识别。手动分割视网膜图像中的血管树是一项繁琐的任务，需 要经验和技巧。在开发眼科疾病的计算机辅助诊断系统时，建立准确、快速 的血管分割模型对计算机辅助诊断具有重要意义。

现有的方法中，如U-Net和FCN遵循编解码去对视网膜眼底图像进行 处理，虽然通过多尺度融合可以在解码器中恢复细节信息，但仍然含有噪声。

发明内容

为了解决现有技术的上述问题，本发明提供一种基于细节保持网络的图 像分割方法，利用细节保持块和残差细节保持块进行处理使得图像分割的精 度大幅提高。本发明的技术方案如下：

一种基于细节保持网络的图像分割方法，包括以下步骤：

S1，获取图像数据集，构建训练集图像和测试集图像，该训练集图像进 行预处理使大小设置为H×W；

S2，构建细节保持网络模型，细节保持网络模型包括初始卷积块、细节 保持块和残差细节保持块；

其中，细节保持网络模型的处理过程具体为：

将大小为H×W的图像首先输入进初始卷积块卷积后得到H×W×C0的特征 图，将所述H×W×C0的特征图输入进细节保持块中；

该细节保持块包括并行的三个输入分支；

在第一输入分支中，大小为H×W×C0的特征图经过步长为4的池化层后大 小变化为H/4×W/4×C0，再通过3×3×C2的卷积核进行卷积操作后进行上采样操 作得到大小为H/2×W/2×C2的第一分支特征图；

在第二输入分支中，大小为H×W×C0的特征图经过步长为2的池化层后大 小变化为H/2×W/2×C0，再通过3×3×C1的卷积核进行卷积操作后得到 H/2×W/2×C1的特征图，并将得到的H/2×W/2×C1的特征图与第一分支特征图进 行融合，并将融合后的特征图通过3×3×C1的卷积核进行卷积操作后进行上采 样操作得到大小为H×W×C1的第二分支特征图；

在第三输入分支中，大小为H×W×C0的特征图首先经过3×3×C0的卷积核进 行卷积操作得到大小为H×W×C0的特征图，将得到的大小为H×W×C0的特征图与 第二分支特征图进行融合，并将融合后的特征图通过3×3×C0的卷积核进行卷 积后得到细节保持块输出特征；细节保持块输出特征的大小为H×W×C0；

将获得的细节保持块输出特征输入到残差细节保持块中，残差细节保持 块包括并行的三个输入分支：

在第一残差细节输入分支中，细节保持块输出特征经过步长为4的池化 层后大小变化为H/4×W/4×C0，再通过3×3×C2的卷积核进行卷积操作后进行上 采样操作得到大小为H/2×W/2×C2的第一残差细节分支特征图；