CN112712526A - 基于非对称卷积神经网络双通道的视网膜血管分割方法 - Google Patents
基于非对称卷积神经网络双通道的视网膜血管分割方法 Download PDFInfo
- Publication number
- CN112712526A CN112712526A CN202011625605.1A CN202011625605A CN112712526A CN 112712526 A CN112712526 A CN 112712526A CN 202011625605 A CN202011625605 A CN 202011625605A CN 112712526 A CN112712526 A CN 112712526A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- vessel
- convolution
- segmentation
- image
- 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.)
- Granted
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 67
- 210000001210 retinal vessel Anatomy 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 19
- 230000009977 dual effect Effects 0.000 title claims abstract description 10
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 84
- 238000010586 diagram Methods 0.000 claims abstract description 34
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000004044 response Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 13
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 230000004672 jump response Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 239000008280 blood Substances 0.000 claims description 3
- 210000004369 blood Anatomy 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 210000000857 visual cortex Anatomy 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 abstract 1
- 238000000605 extraction Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 208000010412 Glaucoma Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
Images
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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了基于非对称卷积神经网络双通道的视网膜血管分割方法。该方法对数据进行预处理,在血管方向最佳匹配角下利用多尺度的Gabor滤波器提取主血管特征图和细血管特征图。针对性地构建主、细血管特征提取非对称卷积神经网络双通道,其中主血管分割网络引入逐级连接策略进行采样,以卷积层级间的信息互补来减少特征丢失,快速定位和精准分割主血管;细血管补偿网络的编‑解码器结合了跳跃连接模块,低层特征图经过不同扩张率的并联空洞卷积块与对应解码器的高层特征图逐级结合,提升细小血管的分割精度。最后将双通道血管分割图融合,从而获取精细的血管分割图。解决了视网膜血管图像中目标方向复杂、细小血管末梢难以识别的问题。
Description
技术领域
本发明属于机器学习与医学图像处理领域,具体涉及一种基于非对称卷积神经网络双通道的视网膜血管分割方法。
背景技术
通过分析视网膜血管的形态结构有助于诊断和预测包括青光眼在内的典型眼科疾病,但现有技术采集得到的眼底图像通常存在光照不均匀和血管粗细、对比度不均衡的情况。因此在眼底图像处理中,由于无法有效区分细小血管与复杂背景的干扰,经常会发生细小血管分割精度过低的问题,视网膜血管分割技术已成为提升眼底图像分析性能和效率的重要因素。
近年来视网膜血管分割研究陆续产生了一些新算法,例如基于多路径网络分割模型,提高血管图像的特征提取性能;还有研究提出一种基于频域分级的眼底图像血管分割方法,将高低频信息分别输入到多路径卷积神经网络中进行特征提取,进而融合高低维特征得到视网膜血管分割图。上述方法虽然考虑到了多路径网络分割的优势,但仍然存在如下问题:(1)血管分割过程中未考虑到血管方向错综复杂且宽度不一,弱化了视网膜血管图像的方向选择和多尺度预处理;(2)网络训练过程中对于层级间的关联性考虑不充分,尤其是多路径网络对于输入差异性的针对性不足,通常单纯地利用通道数合并来实现特征融合,不可避免的在卷积和采样操作过程中损失血管的细节信息。
发明内容
为解决上述存在的问题,本发明提出基于非对称卷积神经网络双通道的视网膜血管分割方法。首先在数据预处理阶段,在求出血管方向最佳匹配角的基础上,利用多尺度的Gabor滤波器自适应地提取表征整体特性的主血管特征图和保留细小血管末梢的细血管特征图。针对主、细血管特征图的特点构建非对称卷积神经网络双通道,包含主血管分割网络和细血管补偿网络。最后将双通道血管分割图融合,以细血管补偿网络分割图补全主血管分割过程中丢失的细小血管末梢,提高网络分割精度。
基于非对称卷积神经网络双通道的视网膜血管分割方法,具体包括以下步骤:
步骤一、获取主、细血管特征图
选取视网膜血管图像的绿色通道分量图像作为待处理图像f(x,y),x、y分别表示图像像素点的横纵坐标,图像的宽度和高度分别为H、W。
由于待处理图像f(x,y)中血管方向任意,因此θ∈[0,180°),以15°为间隔,选取12个不同的方向,记为θi,i=1,2,…,12;将12个不同方向的Gabor滤波器分别与待处理图像f(x,y)进行卷积,得到卷积响应
其中,*表示卷积运算。
其中,θZY为Gabor滤波响应取最大值时所对应的血管方向,即血管方向最佳匹配角。
设置Gabor滤波核响应的尺度σ∈(σmin,σmax],尺度间隔为tab,选取个不同的尺度,记为σj,j=1,2,…,σ1=σmin+tab;在最佳匹配角θZY下提取所有尺度σj下的Gabor滤波器响应并计算其熵ENTj:
然后获取最大熵值ENTjmax及其所对应的尺度σjmax。
作为优选,设置γ=0.5、λ=3.5;σmin=1,σmax=4,tab=0.5。
步骤二、分割主血管特征图
Qp=pool(conv1(Qp-1)) (8)
引入逐级连接策略,对特征图Q4进行逐级上采样,完成对主血管特征图的分割:
其中,unsampling表示采用双线性内插值法的上采样操作,Q3 1表示特征图Q4经过2倍上采样后得到的与特征图Q3尺寸相同的特征图。
步骤三、分割细血管特征图
P4=Res2(conv2(P3)) (10)
其中,Res2表示两次残差块操作;conv2表示两层空洞卷积。
将特征图P4输入解码器由上采样和混合空洞卷积残差块组成的三个模块,依次得到三个高层特征图P3 1,P2 1,P1 1。
在解码器与编码器之间增加跳跃连接模块,通过三个扩张率为2、4、8的空洞卷积并行采样,对应的空洞卷积核nq为:
nq=k+(k-1)×(dq-1) (11)
其中,dq表示空洞卷积的扩张率,q=1,2,3;k表示卷积核尺寸;
将编码器的三个低层特征图P1,P2,P3分别经过三个并联的空洞卷积,将每个特征图获得的三个不同尺度的上下文信息通过串联拼接,形成对应的跳跃响应特征图将每一层跳跃响应特征图与其对应的解码器高层特征图Pq 1进行通道拼接后经过解码器的混合空洞卷积残差块后,获得细血管补偿分割图并且将最后一层解码器输出的作为细血管的分割图Ffine(x,y):
作为优选,k=3。
步骤四、获得血管分割图
对步骤二、三中的非对称卷积神经网络进行双通道融合,将步骤二得到的粗血管分割图经过1x1卷积和ReLu激活函数得到的单通道血管预测图与步骤三得到的细血管分割图经过1x1卷积和ReLu激活函数得到的单通道血管预测图进行逻辑或操作,得到视网膜血管预测分割图Ffuse(x,y):
步骤五、网络训练优化
计算步骤四得到的视网膜血管预测分割图Ffuse(x,y)与对应已知标签Xm的损失值Loss:
其中,zm表示经过sigmoid激活函数得到的第m个图像像素点的预测值。
对非对称卷积神经网络进行反复的迭代训练,使用Adam优化函数对非对称卷积神经网络的双通道参数进行优化,当Loss的值小于阈值ε时结束迭代,并保存网络权重。
作为优选,ε的值为输入的血管图像样本像素总数的1%~3%。
步骤六、视网膜血管分割
将标签未知的视网膜血管图像经过方向和尺度特征预处理后,输入步骤五训练优化后的非对称卷积神经网络双通道模型中,获得视网膜血管分割图。
本发明具有以下有益效果:
1、强化了对视网膜血管图像的方向选择和多尺度预处理,选用二维Gabor滤波器在血管方向最佳匹配角下获取多尺度血管特征图,并针对主、细血管特点自适应地提取主、细血管特征图,构建非对称卷积神经网络双通道模型。
2、构建非对称卷积神经网络双通道模型,主血管分割网络引入逐级连接策略进行采样,以卷积层级间的信息互补来减少特征丢失;细血管补偿网络采用结合跳跃连接模块的编-解码器,有效补偿解码过程中无法还原的细小血管特征。
3、将双通道血管分割图融合,以细血管补偿网络分割图补全主血管分割过程中被忽略的细小血管末梢,提高血管分割的效率和精度。
附图说明
图1为本方法的流程图。
具体实施方式
以下结合附图对本发明作进一步的解释说明;
如图1所示,该方法包括以下步骤:
步骤一、获取主、细血管特征图
考虑到视网膜血管图像的绿色通道分量能够清晰表达血管的形态结构,选取视网膜血管图像的绿色通道分量的图像作为待处理图像f(x,y),x、y分别表示图像像素点的横纵坐标,图像的宽度和高度分别为H、W。
其中,γ表示Gabor滤波器的椭圆率,γ=0.5;1/λ表示cosine因子的空间调制频率,λ=3.5;σ表示Gabor滤波核响应的尺度,即血管尺度;θ表示Gabor滤波器的方向,即血管方向;表示Gabor滤波器的相角。
由于待处理图像f(x,y)中血管方向任意,因此θ∈[0,180°),以15°为间隔,选取12个不同的方向,记为θi,i=1,2,…,12;将12个不同方向的Gabor滤波器分别与待处理图像f(x,y)进行卷积,得到卷积响应
其中,*表示卷积运算。
其中,θZY为Gabor滤波响应取最大值时所对应的血管方向,即血管方向最佳匹配角。
由于血管宽度对尺度参数σ较敏感,因此为了提取不同宽度的血管,在θZY确定的基础上,进一步提出Gabor滤波核响应尺度的自适应选取策略。设置Gabor滤波核响应的尺度σ∈(σmin,σmax],尺度间隔为tab,选取个不同的尺度,记为σj,j=1,2,…,σ1=σmin+tab;提取所有尺度σj下的Gabor滤波器响应并计算其熵ENTj:
然后获取最大熵值ENTjmax及其所对应的尺度σjmax。
作为优选,设置γ=0.5、λ=3.5;σmin=1,σmax=4,tab=0.5。
步骤二、分割主血管特征图
构建主血管分割网络,快速分割主体血管。主血管分割网络由五个模块组成,前四个模块为卷积和下采样的组合,第五模块为上采样。考虑到多层池化会造成主血管细节信息丢失,因此本方法从卷积层级间的关联性出发,引入逐级连接策略,以卷积层之间的信息互补来减少主血管特征的损失。
Qp=pool(conv1(Qp-1)) (8)
经过四次池化操作后,主血管特征图尺寸降为原图的1/16,若直接采用双线性内插值法对特征图Q4进行16倍上采样,会造成主血管分割精度较差。考虑到卷积层之间的信息互补能够有效地减少池化造成的细节信息丢失,引入逐级连接策略,对特征图Q4进行逐级上采样,完成对主血管特征图的分割:
其中,unsampling表示采用双线性内插值法的上采样操作,Q3 1表示特征图Q4经过2倍上采样后得到的与特征图Q3尺寸相同的特征图。
步骤三、分割细血管特征图
构建细血管补偿网络,精细分割细小血管。考虑到细小血管特征提取难度大、易丢失,因此构建细血管补偿网络,与主血管分割网络具有结构非对称特性。将步骤一得到的细血管特征图经过编码器由卷积层和下采样组成的三个模块,依次得到三个低层特征图P1,P2,P3;为了避免细小血管末梢的丢失,将低层特征图P3经过两个混合空洞卷积残差块,得到特征图P4:
P4=Res2(conv2(P3)) (10)
其中,Res2表示两次残差块操作;conv2表示两层空洞卷积。
将特征图P4输入解码器由上采样和混合空洞卷积残差块组成的三个模块,依次得到三个高层特征图P3 1,P2 1,P1 1。
在解码器与编码器之间增加跳跃连接模块,通过三个扩张率为2、4、8的空洞卷积并行采样,对应的空洞卷积核nq为:
nq=k+(k-1)×(dq-1) (11)
其中,dq表示空洞卷积的扩张率,q=1,2,3;k=3,表示卷积核尺寸;
将编码器的三个低层特征图P1,P2,P3分别经过三个并联的空洞卷积,将每个特征图获得的三个不同尺度的上下文信息通过串联拼接,形成对应的跳跃响应特征图将每一层跳跃响应特征图与其对应的解码器高层特征图Pq 1进行通道拼接后经过解码器的混合空洞卷积残差块后,获得细血管补偿分割图并且将最后一层解码器输出的作为细血管的分割图Ffine(x,y):
步骤四、获得血管分割图
为了达到精细血管分割的目的,利用细血管补偿网络分割图补全主血管分割过程中被忽略的细血管末梢。对步骤二、三中的非对称卷积神经网络进行双通道融合,将步骤二得到的粗血管分割图经过1x1卷积和ReLu激活函数得到的单通道血管预测图与步骤三得到的细血管分割图经过1x1卷积和ReLu激活函数得到的单通道血管预测图进行逻辑或操作,得到视网膜血管预测分割图Ffuse(x,y):
步骤五、网络训练优化
计算步骤四得到的视网膜血管预测分割图Ffuse(x,y)与对应已知标签Xm的损失值Loss:
其中,zm表示经过sigmoid激活函数得到的第m个图像像素点的预测值。
对非对称卷积神经网络进行反复的迭代训练,使用Adam优化函数对非对称卷积神经网络的双通道参数进行优化,当Loss的值小于输入的血管图像样本像素点的1%~3%结束迭代,并保存网络权重,并保存网络权重。
步骤六、视网膜血管分割
将标签未知的视网膜血管图像经过方向和尺度特征预处理后,输入步骤五训练优化后的非对称卷积神经网络双通道模型中,获得视网膜血管分割图。
Claims (4)
1.基于非对称卷积神经网络双通道的视网膜血管分割方法,其特征在于:该方法包括以下步骤:
步骤一、获取主、细血管特征图
选取视网膜血管图像的绿色通道分量图像作为待处理图像f(x,y),x、y分别表示图像像素点的横纵坐标,图像的宽度和高度分别为H、W;
其中,*表示卷积运算;
其中,θZY为Gabor滤波响应取最大值时所对应的血管方向,即血管方向最佳匹配角;
设置Gabor滤波核响应的尺度σ∈(σmin,σmax],尺度间隔为tab,选取不同的尺度,记为σj,σ1=σmin+tab;在最佳匹配角θZY下提取所有尺度σj下的Gabor滤波器响应并计算其熵ENTj:
然后获取最大熵值ENTjmax及其所对应的尺度σjmax;
步骤二、分割主血管特征图
Qp=pool(conv1(Qp-1)) (8)
引入逐级连接策略,对特征图Q4进行逐级上采样,完成对主血管特征图的分割:
其中,unsampling表示采用双线性内插值法的上采样操作,Q3 1表示特征图Q4经过2倍上采样后得到的与特征图Q3尺寸相同的特征图;
步骤三、分割细血管特征图
P4=Res2(conv2(P3)) (10)
其中,Res2表示两次残差块操作;conv2表示两层空洞卷积;
将特征图P4输入解码器由上采样和混合空洞卷积残差块组成的三个模块,依次得到三个高层特征图P3 1,P2 1,P1 1;
在解码器与编码器之间增加跳跃连接模块,通过三个扩张率为2、4、8的空洞卷积并行采样,对应的空洞卷积核nq为:
nq=k+(k-1)×(dq-1) (11)
其中dq表示空洞卷积的扩张率,q=1,2,3;k表示卷积核尺寸;
将编码器的三个低层特征图P1,P2,P3分别经过三个并联的空洞卷积,将每个特征图获得的三个不同尺度的上下文信息通过串联拼接,形成对应的跳跃响应特征图将每一层跳跃响应特征图与其对应的解码器高层特征图Pq 1进行通道拼接后经过解码器的混合空洞卷积残差块后,获得细血管补偿分割图并且将最后一层解码器输出的作为细血管的分割图Ffine(x,y):
步骤四、获得血管分割图
对步骤二、三中的非对称卷积神经网络进行双通道融合,将步骤二得到的粗血管分割图经过1×1卷积和ReLu激活函数得到的单通道血管预测图与步骤三得到的细血管分割图经过1×1卷积和ReLu激活函数得到的单通道血管预测图进行逻辑或操作,得到视网膜血管预测分割图Ffuse(x,y):
步骤五、网络训练优化
计算步骤四得到的视网膜血管预测分割图Ffuse(x,y)与对应已知标签Xm的损失值Loss:
其中,zm表示经过sigmoid激活函数得到的第m个图像像素点的预测值;
对非对称卷积神经网络进行反复的迭代训练,使用Adam优化函数对非对称卷积神经网络的双通道参数进行优化,当Loss的值小于阈值ε时结束迭代,并保存网络权重;
步骤六、视网膜血管分割
将标签未知的视网膜血管图像经过方向和尺度特征预处理后,输入步骤五训练优化后的非对称卷积神经网络双通道模型中,获得视网膜血管分割图。
2.如权利要求1所述基于非对称卷积神经网络双通道的视网膜血管分割方法,其特征在于:在步骤一中,设置γ=0.5、λ=3.5;σmin=1,σmax=4,tab=0.5。
3.如权利要求1所述基于非对称卷积神经网络双通道的视网膜血管分割方法,其特征在于:在步骤三中,设置空洞卷积的卷积核尺寸k=3。
4.如权利要求1所述基于非对称卷积神经网络双通道的视网膜血管分割方法,其特征在于:在网络训练优化过程中,设置阈值ε为输入的血管图像样本像素总数的1%~3%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011625605.1A CN112712526B (zh) | 2020-12-31 | 2020-12-31 | 基于非对称卷积神经网络双通道的视网膜血管分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011625605.1A CN112712526B (zh) | 2020-12-31 | 2020-12-31 | 基于非对称卷积神经网络双通道的视网膜血管分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112712526A true CN112712526A (zh) | 2021-04-27 |
CN112712526B CN112712526B (zh) | 2024-02-27 |
Family
ID=75547706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011625605.1A Active CN112712526B (zh) | 2020-12-31 | 2020-12-31 | 基于非对称卷积神经网络双通道的视网膜血管分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712526B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362356A (zh) * | 2021-06-02 | 2021-09-07 | 杭州电子科技大学 | 一种基于双侧注意通路的显著轮廓提取方法 |
TWI788171B (zh) * | 2021-09-01 | 2022-12-21 | 鴻海精密工業股份有限公司 | 影像處理裝置以及超解析處理方法 |
EP4398188A1 (en) * | 2023-01-05 | 2024-07-10 | 2438799 Alberta LTD. | Vessel recognition using weighted gabor technique |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986124A (zh) * | 2018-06-20 | 2018-12-11 | 天津大学 | 结合多尺度特征卷积神经网络视网膜血管图像分割方法 |
WO2020199593A1 (zh) * | 2019-04-04 | 2020-10-08 | 平安科技(深圳)有限公司 | 图像分割模型训练方法、图像分割方法、装置、设备及介质 |
-
2020
- 2020-12-31 CN CN202011625605.1A patent/CN112712526B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986124A (zh) * | 2018-06-20 | 2018-12-11 | 天津大学 | 结合多尺度特征卷积神经网络视网膜血管图像分割方法 |
WO2020199593A1 (zh) * | 2019-04-04 | 2020-10-08 | 平安科技(深圳)有限公司 | 图像分割模型训练方法、图像分割方法、装置、设备及介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362356A (zh) * | 2021-06-02 | 2021-09-07 | 杭州电子科技大学 | 一种基于双侧注意通路的显著轮廓提取方法 |
CN113362356B (zh) * | 2021-06-02 | 2024-02-02 | 杭州电子科技大学 | 一种基于双侧注意通路的显著轮廓提取方法 |
TWI788171B (zh) * | 2021-09-01 | 2022-12-21 | 鴻海精密工業股份有限公司 | 影像處理裝置以及超解析處理方法 |
EP4398188A1 (en) * | 2023-01-05 | 2024-07-10 | 2438799 Alberta LTD. | Vessel recognition using weighted gabor technique |
Also Published As
Publication number | Publication date |
---|---|
CN112712526B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021184891A1 (zh) | 遥感影像地物分类方法及系统 | |
CN107977932B (zh) | 一种基于可鉴别属性约束生成对抗网络的人脸图像超分辨率重建方法 | |
CN110428432B (zh) | 结肠腺体图像自动分割的深度神经网络算法 | |
CN112712526A (zh) | 基于非对称卷积神经网络双通道的视网膜血管分割方法 | |
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 | |
CN111161273B (zh) | 一种基于深度学习的医学超声图像分割方法 | |
CN109671094B (zh) | 一种基于频域分级的眼底图像血管分割方法 | |
CN112508864B (zh) | 基于改进UNet++的视网膜血管图像分割方法 | |
CN112001928B (zh) | 一种视网膜血管分割方法及系统 | |
CN112381097A (zh) | 一种基于深度学习的场景语义分割方法 | |
CN108764342B (zh) | 一种对于眼底图中视盘和视杯的语义分割方法 | |
CN112365514A (zh) | 基于改进PSPNet的语义分割方法 | |
CN112330684B (zh) | 对象分割方法、装置、计算机设备及存储介质 | |
CN110097090A (zh) | 一种基于多尺度特征融合的图像细粒度识别方法 | |
CN110889864B (zh) | 一种基于双层深度特征感知的目标跟踪方法 | |
CN111882620A (zh) | 一种基于多尺度信息道路可行驶区域分割方法 | |
CN111612789A (zh) | 一种基于改进的U-net网络的缺陷检测方法 | |
CN111179275A (zh) | 一种医学超声图像分割方法 | |
CN111429402A (zh) | 高级视觉感知特征与深度特征融合的图像质量评价方法 | |
CN112633257A (zh) | 基于改良卷积神经网络的马铃薯病害识别方法 | |
CN111951164A (zh) | 一种图像超分辨率重建网络结构及图像重建效果分析方法 | |
CN114612664A (zh) | 一种基于双边分割网络的细胞核分割方法 | |
CN115908772A (zh) | 一种基于Transformer和融合注意力机制的目标检测方法及系统 | |
CN112270366A (zh) | 基于自适应多特征融合的微小目标检测方法 | |
CN114565620A (zh) | 一种基于骨架先验和对比损失的眼底图像血管分割方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |