[发明专利]基于改进的U-Net眼底视网膜血管图像分割方法及装置

说明书

本发明提供了一种基于改进的U‑Net眼底视网膜血管图像分割方法，通过获取待检测的视网膜血管图像；将所述视网膜血管图像输入训练好的改进的U‑Net网络模型中进行图像分割；输出视网膜血管图像分割结果。将U‑Net网络的普通卷积块改为随机丢弃卷积块，能够更好地提取图像相关特征，有效缓解网络过拟合；然后，在编码解码结构的底部加入NoL‑block注意力模块，在不增加参数量的基础上，扩大感受野和增强像素信息的相关性。通过将NoL‑block作为一个组件，嵌入U‑Net网络结构,使得可以使用NoL‑block用前向传播的方式直接捕获在图像分割中有距离的像素之间在空间中的依赖关系，从而使得可以更好地定位和分割血管。

技术领域

本发明属于图像分割领域，尤其是涉及一种基于改进的U-Net眼底视网膜血管图像分割方法及装置。

背景技术

视网膜血管的分割对于视网膜血管疾病的诊断和筛查具有重要意义，包括糖尿病、眼科疾病和心血管疾病。随着视力障碍患者逐年增加和医疗资源不足，特别是合格眼科医生严重匮乏，导致眼科患者往往因为错过最佳治疗期而引发无法挽回的视力损害。眼底血管的精准分割，可以有效辅助眼科医生的诊断，提高眼科医生的工作效率。

随着图像处理技术的不断发展，现有方法根据是否利用血管分割标准等先验信息作为监督来指导血管预测模型的获取过程，可分为无监督方法和监督方法。无监督方法不需要人工事先标记信息，直接在图像上提取血管，主要包括基于追踪的分割算法，匹配滤波方法，形态学方法，多尺度方法,基于活动轮廓的分割方法。

有监督的方法，是具有人工分割标签作为标准的图像集，并结合血管的特征以获得用于对血管进行分割的最终分类器。Alom等人提出在U-Net中使用递归卷积。Simon等将U-Net中的卷积层替换为密集块。Xiao等提出的加权注意力的U-Net网络模型达到了不错的分割效果。Zhang等人提出了一种AG-Net，可以更好地保留血管的结构信息。Wang等提出RVSeg-Net，使用“特征金字塔级联网络”(feature pyramid cascade network)去捕获多尺度特征以应对视网膜血管的尺度变化。

但是现有方法对于细粒度血管区域的分割其精度还比较低，尤其是针对眼底视网膜血管的低对比度信息难以识别，如何更好地定位和分割微血管是当前需要重点解决的问题。

发明内容

本发明要解决的技术问题是怎样快速定位和分割低对比度信息的视网膜微血管，提出了一种基于改进的U-Net眼底视网膜血管图像分割方法及装置。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于改进的U-Net眼底视网膜血管图像分割方法，包括以下步骤：

步骤1：获取待检测的视网膜血管图像；

步骤2：将所述视网膜血管图像输入训练好的改进的U-Net网络模型中进行图像分割；

步骤3：输出视网膜血管图像分割结果。

进一步地，所述改进的U-Net网络模型结构为：

在全卷积网络U-Net的基础上，在所述全卷积网络U-Net的编码器和解码器之间增加NoL-block注意力模块，所述NoL-block注意力用于捕获在图像分割中有距离的像素之间在空间中的依赖关系，所述编码器最后一个卷积块的输出经过NoL-block注意力模块后输入到所述解码器的第一个卷积块中进行上采样。

进一步地，所述编码器的结构为由4个卷积块组成，每个卷积块使用2个有效卷积、批标准化Batch Normalization、随机丢弃卷积Dropblock、激活函数ReLU、和1个MaxPooling。