(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210748710.7 (22)申请日 2022.06.28 (71)申请人 哈尔滨理工大 学 地址 150080 黑龙江省哈尔滨市南岗区学 府路52号 (72)发明人 王海英　周鲁彪　王进科　 (74)专利代理 机构 北京中济纬天专利代理有限 公司 11429 专利代理师 杨红娟 (51)Int.Cl. G06T 7/11(2017.01) G06T 7/00(2017.01) G06V 10/44(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种基于多尺度密集网络的视网膜血管分 割方法 (57)摘要 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。 权利要求书1页 说明书4页 附图3页 CN 115049682 A 2022.09.13 CN 115049682 A 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JP EG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。权　利　要　求　书 1/1 页 2 CN 115049682 A 2一种基于多尺度 密集网络的视网膜血 管分割方 法 技术领域 [0001]本发明涉及计算机视觉技术和医学图像处理领域， 具体涉及一种基于多尺度密集 网络的视网膜血 管分割方法。 背景技术 [0002]临床医学中眼底图像能反映多种疾病的早期症状， 例如高血压、 糖尿病等。 眼科医 生可以通过观察视网膜血管形态实现对疾病的初期诊断。 由于视网膜血管形态复杂， 同时 不同的医生在手动分割血管图像时带有主观性， 因此设计一种视网膜血管自动分割方法对 于辅助医生 提高诊断速度和效果具有重要意 义。 [0003]精确的视网膜血管分割是彩色眼底图像处理中的一个具有挑战性的问题， 目前视 网膜血管 的分割通常是 由人工进行手动分割的， 这项工作效率低下且精度不高。 眼底血管 分支的细微末端与背景 的对比度低、 以及视杯视盘等生理结构的影响， 使得血管分割任务 面临难题。 由于眼底血管形态本身具有复杂性， 特别是眼底图像中的毛细血管 的分割极易 受到光照和噪声的影响。 [0004]现阶段， 能够实现眼底血管自动分割的方法主要可以分为两种， 一种是基于无监 督的方法， 一种是基于有监督的方法。 基于无监督的视网膜血管分割方法属于比较传统的 图像处理算法， 其显著特点为分割过程中无须样本标签。 与之相对应的是基于有监督和特 征工程的机器学习以及深度学习的分割方法。 当前医学图像处理领域深度学习已成为主流 方法， 它相较于机器学习避免了人工提取特征 的过程， 使得最终获取到的分割结果更加精 准客观。 发明内容 [0005]本发明的目的是为了解决现存的基于深度学习的视网膜血管分割模型对于细微 血管的分割不够精准且易出现误分割的问题， 提出一种基于多尺度密集网络的视网膜血管 分割方法， 无需复杂的后处 理方法， 实现了端到端的眼底图像分割， 取 得了很好的效果。 [0006]本发明的目的可以通过采取如下技 术方案实现： [0007]一种基于多尺度密集网络的视网膜血 管分割方法， 包括以下步骤： [0008]S1： 对数据集中的原 始彩色视网膜血 管图像进行 预处理； [0009]S2： 对预处 理之后的视网膜血 管图像进行 数据增强； [0010]S3： 基于编码解码结构 构建多尺度密集网络模型； [0011]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。 [0012]进一步地， 所述的步骤S1中的预处理包括灰度变换、 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。 [0013]灰度变换是对每一幅彩色视网膜 血管图像进行通道加权， 根据公式Gray＝0.299* R+0.587*G+0.114*B， 将彩色眼底图像转换为灰度图像。 然后对灰度图像进行数据标准化，说　明　书 1/4 页 3 CN 115049682 A 3