[发明专利]一种面向高精度血管分割模型训练应用的粗细血管分类方法

说明书

一种面向高精度血管分割模型训练应用的粗细血管分类方法，包括以下步骤：步骤1：从眼底血管标签中提取血管骨架；步骤2：在每个血管骨架像素所在的窗口内，计算血管骨架与血管面积的比值；步骤3：使用阈值将血管骨架分为粗血管骨架与细血管骨架；步骤4：根据血管骨架的分类结果，使用8邻域投票的方法确认其他血管像素的分类；步骤5：使用形态学方法将位于粗细血管断裂交叉区域的血管重新分类，保证血管的整体结构。本发明方法不仅适用于基于深度学习的神经网络眼底血管分割模型的训练，同样也适用于提升其他监督式眼底血管分割算法的分割性能。

技术领域

本发明涉及视网膜血管分割技术领域，具体涉及一种面向高精度血管分割模型训练应用的粗细血管分类方法。

背景技术

视网膜血管结构涉及重要信息，有助于眼科医生检测和诊断各种视网膜病变，如糖尿病视网膜病变，年龄相关的黄斑变性，高血压视网膜病变等。见文献[1]Mohamed Q,Gillies MC,Wong TY.Management of diabetic retinopathy:a systematicreview.Jama,2007,298(8):902–916.记载。血管形态结构的变化，如形状、曲折度和宽度，为许多疾病提供了准确的早期检测，见文献[2]Srinidhi CL,Aparna P,Rajan J.Recentadvancements in retinal vessel segmentation.Journal of medical systems,2017,41(4):70.记载。所以，视网膜血管的分割对于视网膜疾病的诊断辅助、治疗和手术计划尤为重要，见文献[3]Cheung CY,Zheng Y,Hsu W,et al.Retinal vascular tortuosity,blood pressure,and cardiovascular risk factors.Ophthalmology,2011,118(5):812–818.记载。

目前主要的眼底血管分割方法是基于监督学习的方式，即利有手动标注的标签辅助模型进行训练、学习参数。文献[4]Zhun Fan,Zhun Fan,Jiahong Wei,etal.Evolutionary Neural Architecture Search for Retinal VesselSegmentation.arXiv preprint arXiv:2001.06678,2020.中将U-Net模型视为基于编码器-解码器框架的搜索空间，并将神经结构搜索应用于视网膜血管分割。但是其在眼底血管分割时与粗血管同等对待，这会导致分割结果偏向于粗血管，使得分割结果的准确率降低。因为眼底血管中粗血管与细血管的样本不均衡，而且细血管与背景对比度低于粗血管，使得细血管的分割难度远大于粗血管。

解决这一问题的有效途径是区别对待粗血管与细血管。文献[5]Khan BahadarKhan,Amir A Khaliq,Muhammad Shahid.A Morphological Hessian Based Approach forRetinal Blood Vessels Segmentation and Denoising Using Region Based OtsuThresholding.PLoS ONE,2016,11(7):e0158996.使用Hessian矩阵以两种不同的尺度分别提取并增强粗和细血管图像，再使用基于区域的OTSU阈值分割血管。但实际得到的细血管图像就已经包含了粗血管，实际上只增强了粗血管。