[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

说明书

本发明涉及医学信息智能处理技术领域，尤其涉及用于视网膜血管不确定边界精准分割的三支U‑Net方法。本发明利用数学形态学的膨胀和腐蚀算子对血管边界标签不确定性进行描述，基于膨胀和腐蚀算子分别构建不确定边界的上界和下界，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；将边界的不确定性表示与损失函数相结合并设计三支损失函数；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；设计并实现具有眼底数据采集、视网膜血管智能精准分割以及辅助诊断功能的视网膜血管智能分割辅助诊断应用系统。本发明可以显著提升视网膜血管不确定边界分割的准确率，为患者提供个性化医疗服务。

技术领域

本发明涉及医学信息智能处理技术领域，尤其涉及用于视网膜血管不确定边界精准分割的三支U-Net方法。

背景技术

眼健康作为国民健康中必不可少的一部分，是涉及民生福祉的公共卫生问题和社会问题，引起了国家健康委的高度重视。医学影像技术是一种用于诊断和监测人体各种疾病的方法，可以产生人体不同部位的图像表征。眼底相机是一种无创且经济高效的获取眼底图像的方式，使得医生专家以非侵入方式获得彩色眼底图像。人类RGB彩色眼底图像是眼睛内表面的投影，提供了丰富的病理信息。目前，因为眼底图像中视网膜血管和背景的对比度比较低，血管结构细微，在形状、颜色和纹理上存在相当大的异质性，所以在眼底图像中手工标定视网膜血管边界存在耗时长、标注难和主观性强等问题，这会导致不同的专家标注的金标准图与存在一定的差异。人工分割的分类标签未能捕捉到专家分配类标签的过程相关的不确定性。

此外，我国基层人民群众对眼科服务需求量不断增长，但是我国眼科医生数量有限，医疗资源分布不均，优质资源都集中在大城市和三甲医院，偏远地区和基层医院眼科资源相对匮乏，建设信息化的眼健康平台对解决这一问题具有重要意义。同时，建立眼科病例数据库积累大量的眼底图像数据，不仅可以为临床科学研究提供数据支撑，而且可以用于训练基于深度学习技术实现的视网膜血管的智能精准分割模型，进一步为辅助医生诊断各种眼科疾病和心脑血管疾病提供诊断依据。

发明内容

本发明的目的是为了解决上述技术问题，提出了用于视网膜血管不确定边界精准分割的三支U-Net方法。

本发明采取的技术方案如下：用于视网膜血管不确定边界精准分割的三支U-Net方法，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：