一种基于多尺度密集网络的视网膜血管分割方法

技术特征：
1.一种基于多尺度密集网络的视网膜血管分割方法，其特征在于，所述的视网膜血管分割方法包括以下步骤：s1：对数据集中的原始彩色视网膜血管图像进行预处理；s2：对预处理之后的视网膜血管图像进行数据增强；s3：基于编码解码结构构建多尺度密集网络模型；s4：将数据增强后的眼底图像数据导入眼底图像分割模型中进行训练，获取训练完成的权重，进一步对视网膜血管图像进行分割，最终获取到分割结果。2.根据权利要求1所述的一种基于多尺度密集网络的视网膜血管分割方法，其特征在于，所述预处理包括:对原始彩色视网膜血管图像进行灰度变换、标准化、对比度受限直方图均衡化和伽马矫正的预处理操作，突出血管区域，得到调整对比度和去除噪声后的眼底图像。3.根据权利要求1所述的一种基于多尺度密集网络的视网膜血管分割方法，其特征在于，所述基于编码解码结构构建多尺度密集网络模型包括:在编码器与解码器之间设计了密集空洞空间卷积金字塔，在解码器部分引入了压缩激励模块和残余连接，并设计了全尺度的跳跃连接。4.根据权利要求1所述的一种基于多尺度密集网络的视网膜血管分割方法，其特征在于，所述数据增强包括:以固定分辨率在全图区域进行随机裁剪、水平翻转、垂直翻转、随机旋转，并按照9：1的比例把用于训练的眼底图像数据集划分为训练集和验证集。5.根据权利要求1所述的一种基于多尺度密集网络的视网膜血管分割方法，其特征在于，所述将数据增强后的眼底图像数据导入眼底图像分割模型中进行训练，获取训练完成的权重，进一步对视网膜血管图像进行分割，最终获取到分割结果。6.根据权利要求5所述的一种基于多尺度密集网络的视网膜血管分割方法，其特征在于，所述训练过程包括在训练阶段将数据增强后的眼底图像数据导入眼底图像分割模型中进行训练，调整超参数，从而得到训练完成的眼底图像分割模型；在测试阶段，对每张图像提取多个连续的重叠片段，对多个预测结果取平均获得每个像素的所属类别的概率，最终获取到分割结果；将分割结果与专家手动分割结果相比较，结合评价标准评估模型性能。7.根据权利要求1所述的一种基于多尺度密集网络的视网膜血管分割方法，其特征在于，所述的数据集采用drive公开数据集作为实验数据，该数据集共包含40张彩色眼底图像，已被均分为训练集和测试集，并提供了两位专家手动分割的金标准以及对应的掩膜图像；图像使用佳能cr5非散瞳3ccd相机获取，分辨率为565
×
584；部分图像来自早期糖尿病视网膜病变患者，以jpeg格式存储；在测试过程，采用第一位专家的手动分割结果作为真值来评估本发明所提出框架的分割性能。

技术总结
本发明公开了一种基于多尺度密集网络的视网膜血管分割方法，方法涉及计算机视觉技术和医学图像处理领域，包括：对数据集中的原始彩色视网膜血管图像进行预处理；对预处理之后的视网膜血管图像进行数据增强；基于编码解码结构构建多尺度密集网络模型；将数据增强后的眼底图像数据导入眼底图像分割模型中进行训练，获取训练完成的权重，进一步对视网膜血管图像进行分割，最终获取到分割结果。本发明针对视网膜血管分割提出的新的全卷积神经网络结构，解决了对于细小血管的分割以及血管边缘模糊的问题，提升了分割精度。相比于现存算法，具有一定的先进性。具有一定的先进性。具有一定的先进性。


技术研发人员：王海英 周鲁彪 王进科
受保护的技术使用者：哈尔滨理工大学
技术研发日：2022.06.28
技术公布日：2022/9/13