[发明专利]用于视网膜血管不确定边界精准分割的三支U-Net方法

权利要求书

1.用于视网膜血管不确定边界精准分割的三支U-Net方法，其特征在于，包括以下步骤：

S1：在U-Net的特征编码部分，构建一个特征提取模块用于逐层提取视网膜血管特征，包括两个3×3的卷积层、一个Dropout层、一个Relu的激励层和一个2×2的最大池化层，在U-Net模型的特征解码部分中，构建一个恢复特征模块用于恢复图像尺寸，还原图像的位置信息，包括一个2×2上采样层和两个3×3卷积层，通过跳跃连接对上采样和下采样的对称层相连，将高层特征图与底层特征图进行拼接，并作为下一层的输入，使得模型能够融合高低层特征学习更多血管特征，得到更加精确的输出特征图，在恢复特征尺寸后使用两个1×1的卷积核进行卷积操作得到一个通道数为2的特征图，一个通道表示血管类，另一个通道表示非血管类，使用softmax层计算图像中每个像素点属于每个类别的概率；

S2：利用数学形态学的膨胀和腐蚀算子对视网膜血管边界标签的不确定性进行描述，基于膨胀算子构建视网膜血管不确定边界的上界图I_dilate，基于腐蚀算子构建视网膜血管不确定边界的下界图I_erose，得到血管边界的极大值和极小值，将带有不确定信息的边界映射到一个范围之内；

S3：将边界的不确定性与损失函数相结合，提出三支损失函数，该损失计算视网膜血管预测边界图I_predict与视网膜血管手工分割金标准图I_true、视网膜血管不确定边界上界图I_dilate和视网膜血管不确定边界下界图I_erose的交叉熵损失，并以加权融合的方式生成最终的损失，其计算公式如下：

Loss＝l₁+α×l₂+(1-α)×l₃ (1)

其中，l₁表示视网膜血管预测图像I_predict与视网膜血管手工分割金标准图I_true之间的交叉熵损失，计算如公式(2)所示；l₂表示视网膜血管预测图像I_predict与基于腐蚀算子构建的视网膜血管不确定边界下界图I_erose之间的交叉熵损失，计算如公式(3)所示；l₃表示视网膜血管预测图像I_predict与基于膨胀算子构建的视网膜血管不确定边界上界图I_dilate之间的交叉熵损失，计算如公式(4)所示；α和1-α是超参数分别表示视网膜血管预测图像I_predict与视网膜血管不确定边界的下界图I_erose和视网膜血管不确定边界的上界图I_dilate之间的损失权重；

其中，n表示图像中包含的类别数，利用三支损失函数的总损失，采用随机梯度下降算法训练网络参数；

S4：使用Python中的Django框架实现视网膜血管智能分割辅助诊断应用系统，该应用系统包括：眼底数据采集、视网膜血管智能精准分割以及辅助诊断；眼底数据采集，主要负责采集病患的基本信息和医疗设备所拍摄到的病患左右眼图像；视网膜血管智能精准分割，利用基于三支损失函数的U-Net模型TWD-UNet对拍摄到的病患左右眼图像进行血管分割，并将分割结果上传到远程诊断模块；辅助诊断，主要是医生根据病患的基本信息、眼底相机拍摄的彩色左右眼图像以及相对应的视网膜血管分割结果图像进行病情分析并给出诊断意见，生成电子诊断报告并支持下载和打印。

2.根据权利要求1所述的用于视网膜血管不确定边界精准分割的三支U-Net方法，其特征在于，所述步骤S2的具体步骤如下：

步骤S2.1：利用公式(5)对M×M×3视网膜血管图像I进行腐蚀操作，消除视网膜血管图像中区域细小的目标，其公式表示为：

其中，表示结构元，结构元D以中心为锚点，将结构元D以锚点O为中心在视网膜血管图像I上进行滑动，遍历整个图像，把结构元锚点经过的图像位置处的像素点值设置为结构元对应图像区域中像素点的最小值；

步骤S2.2：利用公式(6)对M×M×3视网膜血管图像I进行膨胀操作，使得目标区域的面积扩大；

步骤S2.3：目标区域之间的距离比较近，图像膨胀会使目标区域融合起来，用来填补目标区域中小颗粒噪声，膨胀操作公式表示如下：

其中，表示结构元，结构元E以中心为锚点，将结构元E以锚点O为中心在视网膜血管图像I上进行滑动，遍历整个图像，判断结构元区域与对应的图像区域的像素值的交集是否为空，如果是空集，那么将结构元锚点所对应的图像位置设置为0，反之设置为1。