[发明专利]一种基于域自适应的多模态眼底血管分割方法及装置

说明书

本发明公开了一种基于域自适应的多模态视网膜眼底血管分割方法及装置，该方法包括：获取经过专家标注的视网膜眼底血管分割数据集，得到源域训练集；获取另一模态的视网膜眼底图像数据集，得到目标域训练集和目标域测试集；对训练集以及测试集中的图像进行预处理操作；构建基于域自适应学习的卷积神经网络模型；采用经过预处理的源域训练集和目标域训练集中的图像进行模型训练；得到训练好的基于域自适应的多模态视网膜眼底血管分割模型；将目标域测试集中的图像输入到模型中，获得血管分割模块输出的多模态视网膜眼底血管分割结果。该方法具有简便和精度高的效果。

技术领域

本发明涉及计算机图像处理和模式识别领域，具体而言，涉及一种基于域自适应的多模态视网膜眼底血管分割方法。

背景技术

视网膜疾病全世界工作和老年人群众最受关注的公共健康问题之一。目前，糖尿病视网膜病变、老年性黄斑病变和青光眼等是导致老龄化人群失明和人类视力障碍的主要原因。作为人体血管系统中唯一可以直接观察的部分，许多眼科和心血管疾病(如青光眼、白内障、糖尿病等)会造成视网膜眼底血管结构的变换，因此视网膜眼底血管分割成为眼底疾病分析的一个先决条件，专科医生可以通过定期检查视网膜眼底血管及时对患者进行诊断和治疗。

然而，由于视网膜眼底血管结构复杂，并且容易受到光照变化和主体差异的影响，因此从视网膜眼底血管图像中手工分割血管流程繁琐、费时且容易出错。因此一种能够自动分割视网膜眼底血管的方法在临床上具有十分重要的意义。目前，用于视网膜眼底血管分割的方法大致可以分为无监督和有监督两类方法。

无监督的分割方法大部分都是基于规则的，通常包括传统的匹配滤波、形态学处理、血管追踪、阈值处理以及多尺度方法等。监督方法，也成为像素特征分类方法，通常包括两个阶段：特征提取和分类。监督方法要求图像具有手动分割结果，即所谓的金标准，通常这些金标准都是由经验丰富的眼科医生所标注的。常见的传统的监督方法有利用Gabor小波变换提取特征，然后使用贝叶斯分类器进行识别；或者是结合CLAHE、Hessian变换、Gabor变换等得到多维特征向量，然后用于分类。

近年来，随着深度学习技术的不断发展，研究人员尝试将卷积神经网络用于视网膜眼底血管分割领域上。其中最经典的技术为UNET网络以及类UNET结构网络，这类网络由一个编码器和一个解码器组成，整个结构呈现一个端到端的U型结构，故称为U-Net。但是这类方法大多是基于单一模态的视网膜眼底血管图像进行训练测试，如视网膜眼底彩色图像(例如CN201710469436.9:一种基于深度学习自适应权重的视网膜血管分割方法)。很少涉及多模态视网膜眼底血管图像之间的训练测试。因为不同模态视网膜眼底血管图像的特征在特征空间上的分布是不一样的，所以利用卷积神经网络在一个模态上进行学习，将学习到的特征应用到其他模态上会产生很差的效果，即血管分割的精度往往会很不理想。例如在公开的视网膜眼底彩色图像上进行训练后，将得到的模型用于其他模态的视网膜眼底血管分割时，如SLO眼底血管图像，分割到的血管质量很差。若是对其他模态的视网膜眼底图像进行血管标注，就涉及到前面提到的问题，手工分割血管流程繁琐、费时且容易出错。南京理工大学的李苹在其论文《多模态视网膜图像血管分割及配准研究》中提出一种基于随机森林高低概率的血管分割方法，但是该方法是一种传统方法且只在彩色眼底视网膜图像上进行了实验，并没有验证在不同模态间的血管分割情况。专利《血管、眼底图像的分割方法、装置、设备及可读存储介质》(专利号：CN201910690945.3)中提出了一种用于多模态视网膜眼底血管分割的方法，但是该方法使用对抗式生成网络，而对抗式网络的训练过程比较繁琐：训练一次生成器后，需要固定生成器，然后训练K次辨别器，如此循环训练多次才可以达到最终结果。因此一种简便的能够用于多模态视网膜眼底血管分割的深度学习方法就变得很重要。

发明内容