CN109658422A - 一种基于多尺度深监督网络的视网膜图像血管分割方法 - Google Patents

一种基于多尺度深监督网络的视网膜图像血管分割方法 Download PDF

Info

Publication number
CN109658422A
CN109658422A CN201811471196.7A CN201811471196A CN109658422A CN 109658422 A CN109658422 A CN 109658422A CN 201811471196 A CN201811471196 A CN 201811471196A CN 109658422 A CN109658422 A CN 109658422A
Authority
CN
China
Prior art keywords
module
multiple dimensioned
blood vessel
layer
convolution module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN201811471196.7A
Other languages
English (en)
Inventor
徐睿
叶昕辰
姜桂良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN201811471196.7A priority Critical patent/CN109658422A/zh
Publication of CN109658422A publication Critical patent/CN109658422A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明公开了一种基于多尺度深监督网络的视网膜图像血管分割方法，属于医学图像处理和计算机视觉领域。以视网膜图像以及对应的人工标注的像素级血管图片为源数据，经过预处理得到若干组数据集合，其中每组数据包含一张视网膜图片的切片和一张对应的人工标注的像素级血管图片的切片。构建多尺度深监督神经网络框架，利用图像切片为输入，通过多尺度深监督神经网络可以得到较高的分割正确率。系统容易构建，仅依靠原始切片和训练好的多尺度神经网络即可得到切片的血管分割结果；程序简单，易于实现；利用平衡交叉熵作为损失函数，对多尺度神经网络进行优化，网络训练容易且高效。

Description

一种基于多尺度深监督网络的视网膜图像血管分割方法
技术领域
本发明属于医学图像处理和计算机视觉领域，涉及利用深度学习神经网络框架，分割视网膜图像，提取其中的血管信息，具体涉及到一种基于多尺度深监督网络的视网膜图像血管分割方法。
背景技术
视网膜血管畸变是临床诊断眼底病变的重要依据，因此在建立视网膜图像的计算机辅助诊断(CAD)系统的第一步是进行视网膜图像的血管自动分割。视网膜图像血管的精确分割比较困难，其原因在于:1)眼底视网膜血管粗细不均，其直径从几个像素到几十个像素不等；2)眼底图像的拍照条件和眼底疾病导致的眼底血管特征的不明显。
近年来，深度学习技术快速发展，并逐步被成功应用于图像处理和计算机视觉领域中。在视网膜的血管分割方面，深度学习也得到了应用。例如，一种针对区域图像小块的深层卷积网络方法被提出，用于分割视网膜血管(P.Liskowski and K.Krawiec,'Segmenting Retinal Blood Vessels With Deep Neural Networks',IEEE Transactionson Medical Imaging，2016，2369-2380)；一种基于全卷积网络和条件随机场的方法，也被提出用于视网膜血管的分割(H.Fu,Y.Xu,S.Lin,D.W.K.Wong and J.Liu,'DeepVessel:Retinal Vessel Segmentation via Deep Learning and Conditional Random Field',International Conference on Medical Image Computing and Computer AssistedIntervention,2016)。
与传统的图像处理方法相比，虽然这些基于深度学习方法能够使视网膜血管分割更精确，但是与CAD系统实际需求相比，其分割精度还有一定的差距。其原因在于：第一，这些方法没有考虑到视网膜血管粗细不均一的多尺度特点，其网络结构仅适用于一定粗细范围内的血管提取，对较粗或较细的血管，其提取精度大大降低；第二，这些方法单纯从单个像素的角度来判断其是否属于血管内或血管外，没有结合周围相邻像素的信息，在图像噪声或眼底疾病的情况下，血管分割容易产生漏点和断点。
针对以上问题，本发明参照并综合运用深度学习中的最新技术，设计并提出了一种基于多尺度深监督的新型深层卷积神经网络结构，实现了视网膜图像血管的高精度分割。所提出的网络具有通常分割网络的编码器-解码器(encoder-decoder)结构，能够学习多个尺度下的血管特征。在网络训练时，通过在总损失函数中加入深层监督的损失函数，使网络能针对不同尺度学习到最优的血管特征表达；同时通过跳跃连接，将相邻尺度下的特征相互融合，从而使网络充分综合并有效利用多尺度的血管信息，适应不同粗细的血管分割。此外，为了避免血管分割中的漏点和断点问题，网络中还加入了基于残差网络的边界优化模块，能够结合相邻像素的分割信息，提高血管分割的精度。
发明内容
本发明旨在克服现有视网膜图像血管分割方法的不足，考虑到视网膜血管的多尺度特点和视网膜图像像素之间的关联，提出了一种基于多尺度深监督的新型神经网络结构，实现了视网膜图像血管的高精度分割。在网络训练时，通过在总损失函数中加入深层监督的损失函数，使网络能针对不同尺度学习到最优的血管特征表达；同时通过跳跃连接，将相邻尺度下的特征相互融合，从而使网络充分综合并有效利用多尺度的血管信息，适应不同粗细的血管分割。此外，为了避免血管分割中的漏点和断点问题，网络中还加入了基于残差网络的边界优化模块，能够结合相邻像素的分割信息，提高血管分割的精度。
本发明的具体技术方案为，一种基于多尺度深监督网络的视网膜图像血管分割方法，包括下列步骤：
1)准备初始数据：初始数据包含视网膜图片以及对应的人工标注的像素级血管图片；所述图片经过预处理后成为数据集合，集合中的每组数据包含一张视网膜图片的切片和一张对应的人工标注的像素级血管图片的切片，上述两种切片的大小为n×n像素，n为4的倍数；
2)搭建多尺度深监督网络结构：本采用编码器-解码器(encoder-decoder)结构，并且按照特征图大小分为三个层次，三个层次的图片大小分别为n×n像素、n/2×n/2像素和n/4×n/4像素；其中，层次A包含卷积模块1_1、卷积模块1_2、侧面输出模块A、边界优化模块A；层次B包含卷积模块2_1、卷积模块2_2、侧面输出模块B、边界优化模块B；层次C包含卷积模块3_1、侧面输出模块C、边界优化模块C；
将步骤1)得到的初始数据，输入到层次A中的卷积模块1_1，再经过池化层a将特征图大小变为原来的一半，输入到层次B中的卷积模块2_1,再经过池化层b将特征图大小再变为原来的一半，输入到层次C中的卷积模块3_1,卷积模块3_1经上采样层a后按照通道维度与卷积模块2_1拼接，利用这种跳跃连接从而将高维特征和低维特征融合，提取多尺度信息。拼接后输入卷积模块2_2，卷积模块2_2输出再经上采样层b后按照通道维度与卷积模块1_1拼接，拼接后输入卷积模块1_2；卷积模块1_2、卷积模块2_2和卷积模块3_1的输出分别作为侧面输出模块A、B、C的输入，侧面输出模块A、B、C的输出分别作为边界优化模块A、B、C的输入，边界优化模块A、B、C的输出分别接平衡交叉熵损失函数所谓的深度监督即在每一层边界优化模块之后的结果概率图与人工标注的血管图像计算平衡交叉熵损失函数值作为总损失函数值的一部分。深度监督方法能够让神经网络尽可能在每一个尺度下最大限度的优化神经网络结果。
将侧面输出模块A、B、C的输出按照通道维度直接拼接，拼接后输入一个卷积层，卷积层的输出再经过一个边界优化层模块D，边界优化模块D的输出接平衡交叉熵损失函数Lfuse；
3)基于步骤2)得到的多尺度深监督网络并使用平衡交叉熵作为损失函数进行训练。
进一步地，上述的平衡交叉熵损失函数，计算公式如下：
L＝Lside+Lfuse
其中，L为本多尺度深监督网络的总损失值，Lfuse为融合模块的损失值，Lside为三个不同尺度模块的损失值，Lside的计算公式如下：
其中，αi为系数，i表示深度监督的损失函数数量，定义域为[1,3]，αi恒取值为1，和Lfuse计算公式，统一记为l：
其中β＝|Y-|/|Y|，1-β＝|Y+|/|Y|，Y+为人工标注图所有血管内的像素点的集合，Y-为人工标注图所有血管外的像素点的集合，Y为人工标注图所有像素点的集合，|·|为像素求和公式；∑为求和运算符，log(·)为对数计算公式，Pr(·)为概率计算公式，X为所有眼底图像中像素点的集合，yj为人工标注的视网膜图像的值。
进一步地，上述边界优化模块是计算卷积层输入信息与经卷积层计算后输出信息的残差，公式如下：
y＝F(x,{Wi})+x
式中，y表示卷积层的最终输出结果，F表示卷积计算函数，具体实施时将输入特征图依次经过卷积层、激活函数层、卷积层，x表示输入特征图矩阵，i表示卷积层索引数，定义域为[1,2]，Wi表示第i个卷积层的权重矩阵。
进一步地，上述的每个卷积模块，具体将输入特征图依次经过卷积层、激活函数层、卷积层、激活函数层。
进一步地，上述激活函数层的激活函数均为Relu，公式如下：
其中，y表示激活函数层的最终输出结果，x表示输入特征图矩阵。
进一步地，上述的每个侧面输出模块具体是将输入特征图依次经过卷积层和反卷积层。
本发明的有益效果：
本发明基于深度学习思想，利用跳跃连接提取多尺度信息，深度监督优化每一个尺度下的特征图，并使用边界优化模块加入语义信息优化网络。通过该网络结构，能够得到较高精确度的视网膜图像血管分割结果。该系统具有以下特点：
1、系统容易构建，不需要过多的人工定义的特征和参数。只需要输入眼底图片和人工标注的血管结果就可以得到较高精确度的视网膜图像血管分割结果；
2、程序简单，易于实现；
3、利用跳跃连接提取多尺度信息，同时学习出来大血管和小血管的特征；
4、利用深度监督思想，优化每一个尺度下的特征图信息。
5、利用边界优化模块，在网络结构中加入语义信息，可以得到更加精确的优化结果。
附图说明
图1是具体实施流程图。
图2是一张(a)视网膜图像以及(b)对应的人工标注的像素级血管图片样例。
图3是多尺度深监督网络的结构图。(a)为多尺度神经网络的结构图，(b)为卷积模块，(c)为边界优化模块，(d)为侧面输出模块。
具体实施方式
本发明提出了一种基于多尺度深监督的网络视网膜图像血管分割方法，结合附图及实例详细说明如下：
本发明构建了一个多尺度深监督网络，利用视网膜图像以及对应的人工标注的像素级血管图片进行训练，在测试中达到了较高的分割精度，具体实施流程如图1所示，所述方法包括下列步骤：
1)准备初始数据：
1-1)初始数据包含若干组彩色视网膜图像以及对应的人工标注的像素级血管图片。
1-2)将数据集所有彩色视网膜图像转为灰度图像，转化公式具体如下：
y＝xr×0.299+xg×0.587+xb×0.114
其中xr，xg和xb分别表示彩色图像某一点的每个通道的像素值，y表示转为灰度图后的像素值。
1-3)对1-2)得到的视网膜图像进行标准化操作，标准化具体公式如下：
y＝(x-ave(X))/std(X)
其中x表示输入的某一点的像素值，X表示训练集的像素集合，ave(·)求集合平均值，std(·)表示求集合的标准差。
1-4)对1-3)得到的视网膜图像进行限制对比度自适应直方图均衡((S.M.Pizer,E.P.Amburn,J.D.Austin,‘Adaptive Histogram Equalization and Its Variations’.Computer Vision,Graphics,and Image Processing,1987,355-368.)
1-5)对1-4)得到的视网膜图像进行伽玛校正，伽玛校正公式如下：
y＝Axγ
其中，x为上一步得到的图片像素值，A恒取1，γ恒取0.5。
1-6)将每张处理后的视网膜图像以及对应的人工标注的像素级血管图片通过随机取小块的方式取出来10000组小块，每组小块包含一张48×48大小的视网膜图像切片和一张48×48像素大小对应的人工标注血管。
2)搭建多尺度深监督网络，具体包括以下几个步骤：
2-1)本多尺度深监督网络采用编码器-解码器(encoder-decoder)结构，编码器部分在每个层次都包含一个卷积模块(卷积模块1_1，2_1和3_1，输出通道数分别为32,64,128，每个卷积模块将输入特征图依次经过卷积层，激活函数层，卷积层，激活函数层)，层次之间使用池化层将特征图大小变为原来的一半；解码器部分第一个和第二个层次，分别包含一个跳跃连接模块和一个卷积模块(卷积模块2_2和1_2，输出通道数分别为64,32)，第三个层次使用编码器部分在第三层的结果，层次之间使用一个上采样层将特征图大小变为原来的两倍。三个层次分别在解码器结构后加入侧面输出模块(每个侧面输出模块将输入特征图依次经过卷积层和反卷积层，输出通道数均为2)和边界和优化模块(输出通道数均为2)。融合层将前三层的侧面输出结果拼接后接一个1×1卷积层(通道数为2)和一个边界优化模块，作为最后的输出。
2-2)跳跃连接是将卷积模块3_1和卷积模块2_2经过上采样后分别与卷积模块2_1和卷积模块1_1的特征图按照通道维度拼接起来，从而将高维特征和低维特征融合，提取多尺度信息。
2-3)深度监督是在每一层边界优化层之后的结果概率图与人工标注的血管图像计算平衡交叉熵损失函数值作为总损失函数值的一部分，平衡交叉熵损失函数具体见3-1)。深度监督方法能够让神经网络尽可能在每一个尺度下最大限度的优化神经网络结果。
2-4)边界优化模块是计算卷积层输入信息与经卷积层计算后输出信息的残差，公式如下：
y＝F(x,{Wi})+x
式中，y表示卷积层的最终输出结果，F表示卷积计算函数，具体实施时使用卷积，激活函数层，卷积，x表示输入特征图矩阵，i表示卷积层索引数，定义域为[1,2]，Wi表示第i个卷积层的权重矩阵。
2-5)除特殊说明外，本发明中所有卷积层均使用大小为3×3的卷积核；本发明中使用的所有激活函数均为Relu，公式如下：
其中，y表示激活函数层的最终输出结果，x表示输入特征图矩阵。
3)基于步骤2)得到的多尺度深监督网络进行训练，具体包含以下步骤：
3-1)使用小批量训练模式，利用平衡交叉熵的平均值来衡量分割血管结果与人工标注血管结构的差别，公式如下：
L＝Lside+Lfuse
其中，L为本多尺度深监督网络的总损失值，Lfuse为融合模块的损失值，Lside为三个不同尺度模块的损失值，Lside的计算公式如下：
其中，αi为系数，i表示深度监督的损失函数数量，定义域为[1,3]，本方法中，αi恒取值为1，和Lfuse计算公式如下(以下统一记为l)：
其中β＝|Y-|/|Y|，1-β＝|Y+|/|Y|，Y+为人工标注图所有血管内的像素点的集合，Y_为人工标注图所有血管外的像素点的集合，Y为人工标注图所有像素点的集合，|·|为像素求和公式；∑为求和运算符，log(·)为对数计算公式，Pr(·)为概率计算公式，X为所有眼底图像中像素点的集合，yj为人工标注的视网膜图像的值。
3-2)使用步骤3-1)中的损失函数优化本多尺度深监督网络。
使用视网膜血管分割公开数据集DRIVE(Digital Retinal Images for VesselExtraction,https://www.isi.uu.nl/Research/Databases/DRIVE/)和HRF(High-Resolution Fundus Image Database,https://www5.cs.fau.de/research/data/fundus-images/)进行测试，通过计算各种方法的接收器操作特性曲线(receiver operatingcharacteristic curve)面积和精确召回曲线(precision and recall curve)面积(Fawcett,Tom,An introduction to ROC analysis,Pattern Recognition Letters,2006,861–874.)与其他方法的比较如表1所示，
表1多尺度深监督网络分割结果与其他方法比较
其中(a)为边缘检测网络(HED)(S.Xie and Z.Tu,'Holistically-Nested EdgeDetection',International Journal of Computer Vision,2017,125(1-3):3-18)的结果；(b)全卷积神经网络(FCN)(E.Shelhamer,J.Long and T.Darrell,'FullyConvolutional Networks for Semantic Segmentation',IEEE Trans Pattern AnalMach Intell,2017,640-651)的结果；(c)方向定位的局部自适应导数框架(LADF)(J.Zhang,B.Dashtbozorg,E.Bekkers,J.P.W.Pluim,R.Duits and B.M.TerHaarRomeny,'Robust Retinal Vessel Segmentation via Locally Adaptive Derivative Frames inOrientation Scores',IEEE Transactions on Medical Imaging,2016,2631-2644.)的结果；(d)深度卷积神经网络(DCNN-FC)(P.Liskowski and K.Krawiec,'Segmenting RetinalBlood Vessels With Deep Neural Networks',IEEE Transactions on MedicalImaging,2016,2369-2380)的结果；(e)线性操作方法(Line)(E.Ricci and R.Perfetti,'Retinal Blood Vessel Segmentation Using Line Operators and Support VectorClassification',IEEE Transactions on Medical Imaging,2007,1357-1365)的结果；(f)深度眼底图像理解网络(DRIU)(Kevis-kokitsiManinis,J.Pont-tuset,P.Arbelaezand L.Van Gool,'Deep Retinal Image Understanding',miccai,2016)的结果；(g)为本发明(多尺度神经网络)方法的结果。

Claims (6)

1.一种基于多尺度深监督网络的视网膜图像血管分割方法，其特征在于，包括下列步骤：
1)准备初始数据：初始数据包含视网膜图片以及对应的人工标注的像素级血管图片；所述图片经过预处理后成为数据集合，集合中的每组数据包含一张视网膜图片的切片和一张对应的人工标注的像素级血管图片的切片，上述两种切片的大小为n×n像素，n为4的倍数；
2)搭建多尺度深监督网络结构：本采用编码器-解码器结构，并且按照特征图大小分为三个层次，三个层次的图片大小分别为n×n像素、n/2×n/2像素和n/4×n/4像素；其中，层次A包含卷积模块1_1、卷积模块1_2、侧面输出模块A、边界优化模块A；层次B包含卷积模块2_1、卷积模块2_2、侧面输出模块B、边界优化模块B；层次C包含卷积模块3_1、侧面输出模块C、边界优化模块C；
将步骤1)得到的初始数据，输入到层次A中的卷积模块1_1，再经过池化层a将特征图大小变为原来的一半，输入到层次B中的卷积模块2_1,再经过池化层b将特征图大小再变为原来的一半，输入到层次C中的卷积模块3_1,卷积模块3_1经上采样层a后按照通道维度与卷积模块2_1拼接，拼接后输入卷积模块2_2，卷积模块2_2输出再经上采样层b后按照通道维度与卷积模块1_1拼接，拼接后输入卷积模块1_2；卷积模块1_2、卷积模块2_2和卷积模块3_1的输出分别作为侧面输出模块A、B、C的输入，侧面输出模块A、B、C的输出分别作为边界优化模块A、B、C的输入，边界优化模块A、B、C的输出分别接平衡交叉熵损失函数
将侧面输出模块A、B、C的输出按照通道维度直接拼接，拼接后输入一个卷积层，卷积层的输出再经过一个边界优化层模块D，边界优化模块D的输出接平衡交叉熵损失函数Lfuse；
3)基于步骤2)得到的多尺度深监督网络并使用平衡交叉熵作为损失函数进行训练。
2.根据权利要求1所述的一种基于多尺度深监督网络的视网膜图像血管分割方法，其特征在于，所述的平衡交叉熵损失函数，计算公式如下：
L＝Lside+Lfuse
其中，L为本多尺度深监督网络的总损失值，Lfuse为融合模块的损失值，Lside为三个不同尺度模块的损失值，Lside的计算公式如下：
其中，αi为系数，i表示深度监督的损失函数数量，定义域为[1,3]，αi恒取值为1，和Lfuse计算公式，统一记为l：
其中β＝|Y-|/|Y|，1-β＝|Y+|/|Y|，Y+为人工标注图所有血管内的像素点的集合，Y_为人工标注图所有血管外的像素点的集合，Y为人工标注图所有像素点的集合，|·|为像素求和公式；∑为求和运算符，log(·)为对数计算公式，Pr(·)为概率计算公式，X为所有眼底图像中像素点的集合，yj为人工标注的视网膜图像的值。
3.根据权利要求1或2所述的一种基于多尺度深监督网络的视网膜图像血管分割方法，其特征在于，所述边界优化模块是计算卷积层输入信息与经卷积层计算后输出信息的残差，公式如下：
y＝F(x,{Wi})+x
式中，y表示卷积层的最终输出结果，F表示卷积计算函数，具体实施时将输入特征图依次经过卷积层、激活函数层、卷积层，x表示输入特征图矩阵，i表示卷积层索引数，定义域为[1,2]，Wi表示第i个卷积层的权重矩阵。
4.根据权利要求1或2所述的一种基于多尺度深监督网络的视网膜图像血管分割方法，其特征在于，所述的每个卷积模块，具体将输入特征图依次经过卷积层、激活函数层、卷积层、激活函数层。
5.根据权利要求4所述的一种基于多尺度深监督网络的视网膜图像血管分割方法，其特征在于，所述激活函数层的激活函数均为Relu，公式如下：
其中，y表示激活函数层的最终输出结果，x表示输入特征图矩阵。
6.根据权利要求1或2所述的一种基于多尺度深监督网络的视网膜图像血管分割方法，其特征在于，所述的每个侧面输出模块具体是将输入特征图依次经过卷积层和反卷积层。
CN201811471196.7A 2018-12-04 2018-12-04 一种基于多尺度深监督网络的视网膜图像血管分割方法 Withdrawn CN109658422A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811471196.7A CN109658422A (zh) 2018-12-04 2018-12-04 一种基于多尺度深监督网络的视网膜图像血管分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811471196.7A CN109658422A (zh) 2018-12-04 2018-12-04 一种基于多尺度深监督网络的视网膜图像血管分割方法

Publications (1)

Publication Number Publication Date
CN109658422A true CN109658422A (zh) 2019-04-19

Family

ID=66112748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811471196.7A Withdrawn CN109658422A (zh) 2018-12-04 2018-12-04 一种基于多尺度深监督网络的视网膜图像血管分割方法

Country Status (1)

Country Link
CN (1) CN109658422A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245551A (zh) * 2019-04-22 2019-09-17 中国科学院深圳先进技术研究院 一种多草工况下田间作物的识别方法
CN110827963A (zh) * 2019-11-06 2020-02-21 杭州迪英加科技有限公司 针对病理图像的语义分割方法和电子设备
CN110969627A (zh) * 2019-11-29 2020-04-07 北京达佳互联信息技术有限公司 图像处理方法及装置
CN111161287A (zh) * 2019-12-05 2020-05-15 山东科技大学 基于对称双向级联网络深度学习的视网膜血管分割方法
CN111583291A (zh) * 2020-04-20 2020-08-25 中山大学 基于深度学习的视网膜层和积液区域的层分割方法及系统
CN111709293A (zh) * 2020-05-18 2020-09-25 杭州电子科技大学 一种基于ResUNet神经网络的化学结构式分割方法
CN111739030A (zh) * 2020-06-15 2020-10-02 大连理工大学 一种语义和多尺度融合网络的眼底图像血管分割方法
CN111831956A (zh) * 2020-06-16 2020-10-27 五邑大学 高自由度类不平衡性损失函数的调整方法和存储介质
CN111862099A (zh) * 2020-06-04 2020-10-30 杭州深睿博联科技有限公司 基于金字塔架构与由粗到精策略的血管分割方法及装置
CN112001928A (zh) * 2020-07-16 2020-11-27 北京化工大学 一种视网膜血管分割方法及系统
CN112132232A (zh) * 2020-10-19 2020-12-25 武汉千屏影像技术有限责任公司 医学图像的分类标注方法和系统、服务器
CN112308863A (zh) * 2020-10-27 2021-02-02 苏州大学 一种基于改进u型网络的视网膜oct图像中近视性黄斑病变区域分割方法
CN112617850A (zh) * 2021-01-04 2021-04-09 苏州大学 心电信号的早搏心拍检测方法
CN113379741A (zh) * 2021-08-10 2021-09-10 湖南师范大学 基于血管特征的视网膜血管分割方法、设备和存储介质
CN113724206A (zh) * 2021-08-12 2021-11-30 武汉大学 一种基于自监督学习的眼底图像血管分割方法及系统
CN115082500A (zh) * 2022-05-31 2022-09-20 苏州大学 基于多尺度与局部特征引导网络的角膜神经纤维分割方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108765422A (zh) * 2018-06-13 2018-11-06 云南大学 一种视网膜图像血管自动分割方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108765422A (zh) * 2018-06-13 2018-11-06 云南大学 一种视网膜图像血管自动分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
RUI XU ETAL.: "Retinal Vessel Segmentation via Multiscaled Deep-Guidance", 《SPRINGLINK》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245551B (zh) * 2019-04-22 2022-12-06 中国科学院深圳先进技术研究院 一种多草工况下田间作物的识别方法
CN110245551A (zh) * 2019-04-22 2019-09-17 中国科学院深圳先进技术研究院 一种多草工况下田间作物的识别方法
CN110827963A (zh) * 2019-11-06 2020-02-21 杭州迪英加科技有限公司 针对病理图像的语义分割方法和电子设备
CN110969627A (zh) * 2019-11-29 2020-04-07 北京达佳互联信息技术有限公司 图像处理方法及装置
CN110969627B (zh) * 2019-11-29 2024-03-29 北京达佳互联信息技术有限公司 图像分割模型训练方法、图像处理方法及装置
CN111161287A (zh) * 2019-12-05 2020-05-15 山东科技大学 基于对称双向级联网络深度学习的视网膜血管分割方法
CN111583291A (zh) * 2020-04-20 2020-08-25 中山大学 基于深度学习的视网膜层和积液区域的层分割方法及系统
CN111583291B (zh) * 2020-04-20 2023-04-18 中山大学 基于深度学习的视网膜层和积液区域的层分割方法及系统
CN111709293A (zh) * 2020-05-18 2020-09-25 杭州电子科技大学 一种基于ResUNet神经网络的化学结构式分割方法
CN111709293B (zh) * 2020-05-18 2023-10-03 杭州电子科技大学 一种基于ResUNet神经网络的化学结构式分割方法
CN111862099A (zh) * 2020-06-04 2020-10-30 杭州深睿博联科技有限公司 基于金字塔架构与由粗到精策略的血管分割方法及装置
CN111739030A (zh) * 2020-06-15 2020-10-02 大连理工大学 一种语义和多尺度融合网络的眼底图像血管分割方法
CN111831956B (zh) * 2020-06-16 2024-05-28 五邑大学 高自由度类不平衡性损失函数的调整方法和存储介质
CN111831956A (zh) * 2020-06-16 2020-10-27 五邑大学 高自由度类不平衡性损失函数的调整方法和存储介质
CN112001928A (zh) * 2020-07-16 2020-11-27 北京化工大学 一种视网膜血管分割方法及系统
CN112001928B (zh) * 2020-07-16 2023-12-15 北京化工大学 一种视网膜血管分割方法及系统
CN112132232A (zh) * 2020-10-19 2020-12-25 武汉千屏影像技术有限责任公司 医学图像的分类标注方法和系统、服务器
CN112308863A (zh) * 2020-10-27 2021-02-02 苏州大学 一种基于改进u型网络的视网膜oct图像中近视性黄斑病变区域分割方法
CN112308863B (zh) * 2020-10-27 2023-06-06 苏州大学 基于改进u型网络的oct图像近视性黄斑病变分割方法
CN112617850A (zh) * 2021-01-04 2021-04-09 苏州大学 心电信号的早搏心拍检测方法
CN112617850B (zh) * 2021-01-04 2022-08-30 苏州大学 心电信号的早搏心拍检测系统
CN113379741A (zh) * 2021-08-10 2021-09-10 湖南师范大学 基于血管特征的视网膜血管分割方法、设备和存储介质
CN113724206B (zh) * 2021-08-12 2023-08-18 武汉大学 一种基于自监督学习的眼底图像血管分割方法及系统
CN113724206A (zh) * 2021-08-12 2021-11-30 武汉大学 一种基于自监督学习的眼底图像血管分割方法及系统
CN115082500A (zh) * 2022-05-31 2022-09-20 苏州大学 基于多尺度与局部特征引导网络的角膜神经纤维分割方法

Similar Documents

Publication Publication Date Title
CN109658422A (zh) 一种基于多尺度深监督网络的视网膜图像血管分割方法
CN111784671B (zh) 基于多尺度深度学习的病理图像病灶区域检测方法
CN107437092B (zh) 基于三维卷积神经网络的视网膜oct图像的分类方法
CN112132817B (zh) 一种混合注意力机制的眼底图像视网膜血管分割方法
CN110473188B (zh) 一种基于Frangi增强和注意力机制UNet的眼底图像血管分割方法
CN110097554B (zh) 基于密集卷积和深度可分离卷积的视网膜血管分割方法
CN109345538A (zh) 一种基于卷积神经网络的视网膜血管分割方法
WO2021203795A1 (zh) 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法
CN111407245B (zh) 一种基于摄像头的非接触式心率、体温测量方法
CN110490242B (zh) 图像分类网络的训练方法、眼底图像分类方法及相关设备
WO2019001208A1 (zh) 一种oct图像中脉络膜新生血管分割算法
CN110059586B (zh) 一种基于空洞残差注意力结构的虹膜定位分割系统
CN107766874B (zh) 一种超声容积生物学参数的测量方法及测量系统
CN108764342B (zh) 一种对于眼底图中视盘和视杯的语义分割方法
CN109816666B (zh) 对称全卷积神经网络模型构建方法、眼底图像血管分割方法、装置、计算机设备及存储介质
CN110084803A (zh) 基于人类视觉系统的眼底图像质量评估方法
CN106157249A (zh) 基于光流法和稀疏邻域嵌入的单图像超分辨率重建算法
CN111488912B (zh) 一种基于深度学习神经网络的喉部疾病诊断系统
CN112884788B (zh) 基于丰富上下文网络的视杯视盘分割方法及成像方法
CN113269737B (zh) 一种眼底视网膜动静脉血管直径计算方法及系统
CN110751636A (zh) 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法
CN113298780B (zh) 一种基于深度学习的儿童骨龄评估方法及系统
CN111860528A (zh) 基于改进U-Net网络的图像分割模型及训练方法
CN106127234A (zh) 基于特征字典的无参考图像质量评价方法
CN110443105A (zh) 自体免疫抗体的免疫荧光影像型态识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20190419

WW01 Invention patent application withdrawn after publication