[发明专利]一种多阶段特征融合的视网膜血管分割方法及系统

说明书

本发明提供一种多阶段特征融合的视网膜血管分割方法及系统，涉及计算机视觉中的医学图像分割技术领域，包括：将预处理的视网膜血管图像输入卷积神经网络获取初始特征图；根据初始特征图进行多次下采样，获得多张下采样特征图并进行多阶段特征融合，获得多张融合特征图；对最后一次下采样得到的下采样特征图进行多尺度池化，包括条形池化，获得图像池化后特征图；对池化后特征图持续进行多次上采样、均与尺寸相同的融合特征图进行对应像素相加操作，直至恢复初始特征图尺寸大小，获得完整特征图；根据完整特征图反卷积获得视网膜血管图像的分割图。本发明能够更大程度保留视网膜血管中的细小血管，血管边缘结构也明显更清晰，分割结果更准确。

技术领域

本发明涉及计算机视觉中的医学图像分割技术领域，涉及一种多阶段特征融合的视网膜血管分割方法及系统，尤其是涉及一种基于注意力引导滤波器的多阶段特征融合视网膜血管分割方法及系统。

背景技术

许多疾病通过观察眼底血管系统可以很容易地诊断和跟踪，因为这些疾病(如糖尿病性和高血压性眼底疾病)可以引起视网膜血管的形态变化。然而，视网膜图像中的血管分布密集且不规则，小血管对比度低，很容易与背景混淆。这些问题导致仅靠医生来诊断疾病成为一项繁琐和低效的任务，迫切需要依靠科技进行高效精准的诊断。

传统的分割方法需要人工提取眼底图像中血管的某些规则和形态，因血管特征编码方式较为简单，血管信息提取粗糙，故其分割结果准确率不高。

随着深度学习的不断发展，利用卷积神经网络来自动提取特征，大大降低了人工的作业的成本，准确率也有了明显的提升。但是目前最先进的分割方法也依然存在血管特征提取不足，及血管边界模糊等问题，亟待解决。

目前，基于卷积神经网络的视网膜血管分割方法已经取得了很大的进展，例如MultiResUnet方法、NFN+方法、MES-Net方法等。尽管上述方法相较于传统的分割方法有了不可比拟的优势，在主流的公开数据集DRIVE、CHASE_DB1上实现了较高的准确率，但是依然存在着单阶段特征提取不充分的问题，其灵敏度仍然存在比较大的可提升空间。

发明内容

针对上述算法的单阶段特征提取不充分，血管边界模糊的问题，本发明提供了一种多阶段特征融合的视网膜血管分割方法及系统，充分提取视网膜血管特征，使分割灵敏度及结果更准确。

为实现上述目的，本发明提供了一种多阶段特征融合的视网膜血管分割方法，包括：

将预处理的视网膜血管图像输入卷积神经网络获取初始特征图；

根据所述初始特征图进行多次下采样，获得多张下采样特征图并进行多阶段特征融合，获得多张融合特征图；

对最后一次下采样得到的所述下采样特征图进行多尺度池化，包括条形池化，获得图像池化后特征图；

对所述池化后特征图持续进行多次上采样、均与尺寸相同的所述融合特征图进行对应像素相加操作，直至恢复所述初始特征图尺寸大小，获得完整特征图；

根据所述完整特征图反卷积获得所述视网膜血管图像的分割图。

作为本发明的进一步改进，

将预处理后的所述视网膜血管图像输入卷积神经网络提取图像特征，得到初始特征图，并对所述初始特征图进行多次下采样，对应获得多张下采样特征图；

对所述初始特征图和所述下采样特征图进行多阶段特征融合，获得多张融合特征图；

对最后一次下采样获得的所述下采样特征图进行多尺度池化，包括条形池化和残差多尺度池化，获取图像全局特征并与最后一次下采样的所述下采样特征图的图像特征相连接，获得图像池化后特征图；