[发明专利]基于双路径多尺度密集聚合网络的视网膜血管分割方法

说明书

本发明涉及基于双路径多尺度密集聚合网络的视网膜血管分割方法，使用MCDAU‑Net与双路径融合策略相结合的方式，提出了双路径多尺度上下文密集聚合网络，在MCDAU‑Net中，首先在模型的中间层提出了一个级联的扩张空间金字塔池化模块，以获得更大的感受视野，并产生包含更多上下文信息的特征图，随后设计InceptionConv模块，通过级联多个具有不同感受野的网络分支来探索更深层次的语义特征，从而抑制不相关信息的传播，并通过这种方式强化对多尺度特征的学习，使得模型能够学习更多的鉴别性特征，最后我们利用这些特征图开发了一个双路径的融合策略，以提供更多的背景信息来加强对微血管分割的连续性。

技术领域

本发明涉及医疗技术领域，具体为基于双路径多尺度密集聚合网络的视网膜血管分割方法。

背景技术

对视网膜血管进行分割是进行眼底图像分析的一个重要的预处理步骤，在实践过程中主要由眼科医生手动对视网膜血管进行分割，但这个过程极其耗时并且仅依靠眼科医生的主观能力进行分割，因此设计一种自动的视网膜血管分割方法显得尤为重要。

然而精准的视网膜血管分割往往面临着诸多严峻的挑战：首先，由于眼底图像的对比度低，且视网膜血管又非常细小，导致在低对比度区域精确分割视网膜血管和背景的难度很大，往往不能完整地分割出血管。

基于此开发了一系列的分割方法去解决这些具有挑战性的问题，包括无监督的方法和有监督的方法，无监督的分割方法总是采用视网膜血管的像素强度或形态特征进行分割，包括基于阈值的方法、基于跟踪的方法和基于过滤的方法，但由于不同受试者的视网膜上有不同的颜色，它们很难很好地处理视网膜血管的分割，与无监督的方法不同，有监督的方法通过使用已知的训练样本来学习鉴别性的特征，从而有效地进行像素级分类，然而，这些有监督方法也有其局限性：它们在很大程度上依赖于领域知识，而缺乏对临床应用的适应性，因此，为了弥补这些问题，一系列基于深度学习的分割方法已经被开发出来，U-Net及其变体的U型结构深度网络在视网膜血管分割方面已经取得了优异的性能。

尽管U型结构已经取得了重大进展，但目前仍存在一些挑战，首先，图像会因下采样操作而丢失空间信息，尤其是微小的血管，很难通过简单的上采样操作来还原；第二，图像的局部信息在每个阶段都通过跳连接的操作进行合并，使得不相关的区域(如噪声或非血管区域)也相应地被引入，从而削弱了分割的性能；第三，现有的方法大多采用数据增强的方式来缓解小尺寸训练数据集所引起的过拟合现象，尽管一些研究者也提出了基于patch的分割方法来缓解这一问题，但他们的方法忽略了提取的斑块周围的重要背景信息，极大地影响有效分割血管的形状与位置。

发明内容

为实现以上目的，本发明通过以下技术方案予以实现：基于双路径多尺度密集聚合网络的视网膜血管分割方法，视网膜血管分割方法如下：

步骤一：首先设计出MCDAU-Net，用于缓解连续采样操作和简单跳连接所造成的上下文信息和微小血管细节的损失，同时提出双路径融合策略，提供上下文信息的同时进一步加强微小血管分割的连续性；在MCDAU-Net中，首先通过扩张卷积和空间金字塔模块构建了一个级联扩张空间金字塔池化(CDSPP)模块，随后它被导入到中间层，以获得更大的感受野来融合多尺度的背景信息，MCDAU-Net如图1所示，对于每张彩色图像，在建模之前进行相关的预处理，然后对预处理后的图像进行裁剪(例如，在训练阶段进行随机裁剪，在测试阶段进行滑动裁剪)，以获得两类具有包容关系的同圆心patch，然后，这些patch被送入我们所提出的MCDAU-Net进行模型训练，从而生成相应的概率图，最后，与目标区域完全吻合的小patch和用于补偿损失的全局信息的大patch通过所提出的双路径融合策略进行融合，可以加速网络的训练，提高分割效果；