[发明专利]一种基于改进U-net的高精度视网膜血管分割方法

说明书

本发明涉及提出了一种基于改进U‑net的高精度视网膜血管分割方法。方法中深度神经网络模型名为DFUNET，其中包含管全新的dense fusion block(DFB)，同时，将一部分的常规卷积改进为可变形卷积，DFB包含dense connected layer、局部特征融合(LFF)和local residual learning，DFB可以学习输入输出之间的残差表示，可以使得收敛速度更快和提升分类精度，可变形卷积通过学习自适应的感受野来模拟不同形状和尺度的视网膜血管,以提升特征传输的非线性表达。通过在DRIVE数据集上的验证，该方法的分割准确率为96.17％，高于U‑Net。

技术领域

本发明隶属深度学习技术领域，提出了一种基于改进U-net的高精度视网膜血管分割方法。

背景技术

深度学习方法的出现为计算机视觉任务提供了强大的工具，并且这些方法在许多领域都优于其他方法。通过卷积层和池化层，网络可以获得学习非常复杂的特征表示的能力。原始提出的U-net能够以端到端的方式处理图像块，其中初始的卷积特征映射被跳过连接到瓶颈层的上采样层，因此在医学图像分割中得到了广泛的应用。这种跳跃连接对于分割任务至关重要，因为初始特征图会维护低级特征。

实际上，血管分割可以被看作是图像翻译任务，其中从输入的眼底图像生成输出的分割血管图。如果将输出限制为类似人类专家的注释，则可以获得更清晰、更清晰的血管图。

U-NET是一种深度学习网络模型，由解码器和编码器组成，U-Net网络结构类似于一个大型的字母U，通过载入训练图像与遮罩图像对深度神经网络进行训练，使用训练好的模型对病例图像进行拟合即可获得血管分割图像。但是由于U-net较深的网络层数，在网络训练过程中会产生一定的梯度消失和网络退化问题，为了解决这个的问题，我们提出了一种有效的解决方案，即DFUNET，DFUNE T在U-NET的基础上包含全新设计的dense fusionblock(DFB)，同时，我们将一部分的常规卷积改进为可变形卷积(deformable-conv)，DFB包含dense con nected layer、局部特征融合(LFF)和local residual learning，DFB可以学习输入输出之间的残差表示，可以使得收敛速度更快和提升分类精度，可变形卷积通过学习自适应的感受野来模拟不同形状和尺度的视网膜血管,以提升特征传输的非线性表达。

我们对该种方法使用pytorch框架进行了实现，并在DRIVE数据集上评估了新型方法，实现了很高的分割质量。

发明内容

眼底视网膜血管分割对医生诊断眼底疾病具有重要意义，本发明开拓性地提供了一种基于改进U-net的高精度视网膜血管分割方法DFUNET。我们基于全新提出的DFB和可变形卷积模块，将其应用于U-Net模型中。而DFUNET的分割效果明显优于U-Net。在DRIVE数据集上验证了该方法的可行性，准确率为96.17％。通过对分割后的视网膜血管图像进行分析和比较，该方法比其他方法更具优势。它可以为医生提供丰富的眼疾信息，帮助患者及时接受治疗。

本发明所采用的技术方案是：

一种基于改进U-net的高精度视网膜血管分割方法，其特征在于，包括以下步骤：

步骤1：数据准备；

对医学图像分割目标区域进行医学扫描后获取彩色医学图像，对获得的图像样本进行预处理，通过python内建库函数cvtColor方法提取RGB三通道中的G通道图像，得到灰度图像，医生基于经验对图像进行人工图像分割，手动做出对应的分割标签图像，该图像集用作模型训练使用；

步骤2：数据增强处理；