[发明专利]一种基于深度学习自适应权重的视网膜血管分割方法

摘要

本发明公开了一种基于深度学习自适应权重的视网膜血管分割方法，包括：对视网膜血管图像进行样本扩充，并对样本进行分组；构建血管分割全卷积神经网络，用训练样本对网络进行预训练，对视网膜血管图像进行全局自适应权重分割，得到视网膜血管分割初始模型参数；在网络层最后添加条件随机场层，对网络进行调优；采用轮换测试的方法将测试样本输入网络，得到视网膜血管分割结果图。本发明提出的血管分割全卷积神经网络结构和自适应权重方法能够实现人眼级别的图像分割，在DRIVE和CHASE_DB1两个国际公开视网膜图像数据库上进行测试，平均准确率分别达到了96.00％和95.17％，均高于目前最新的算法。

主权项

一种基于深度学习自适应权重的视网膜血管分割方法，其特征在于，包括以下步骤：步骤1：对数据库中的视网膜血管图像进行样本扩充，并对扩充后的样本进行分组；步骤2：在Caffe库中构建血管分割全卷积神经网络，将视网膜血管图像训练样本作为血管分割全卷积神经网络的输入，对神经网络进行预训练，对视网膜血管图像进行全局自适应权重分割，得到视网膜血管图像分割预训练的初始模型参数；所述血管分割全卷积神经网络由9个神经网络块组合而成，每3个神经网络块形成一组，每组内的参数一致；每个神经网络块有三个不同的分支，第一分支直接由输入连接输出结果，形成了快捷连接，第二分支使用带孔的卷积，扩大感受野，第三分支用于学习抽象的特征；步骤3：在网络层最后添加条件随机场层，对网络进行调优；条件随机场能量函数包括一元能量项和二元能量项，其中一元能量项是基于每个像素属于各个类别的概率，二元能量项是基于图像中任意两像素之间的灰度值差异和空间距离的能量；步骤4：采用轮换测试方法将测试样本输入血管分割全卷积神经网络，得到视网膜血管图像分割结果图。