CN113379741B - 基于血管特征的视网膜血管分割方法、设备和存储介质 - Google Patents

基于血管特征的视网膜血管分割方法、设备和存储介质 Download PDF

Info

Publication number
CN113379741B
CN113379741B CN202110912293.0A CN202110912293A CN113379741B CN 113379741 B CN113379741 B CN 113379741B CN 202110912293 A CN202110912293 A CN 202110912293A CN 113379741 B CN113379741 B CN 113379741B
Authority
CN
China
Prior art keywords
blood vessel
vessel
retinal
thickness
semantic information
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.)
Active
Application number
CN202110912293.0A
Other languages
English (en)
Other versions
CN113379741A (zh
Inventor
刘金平
赵刚劲
吴娟娟
陈文祥
宋馨怡
徐鹏飞
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.)
Hunan Normal University
Original Assignee
Hunan Normal University
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 Hunan Normal University filed Critical Hunan Normal University
Priority to CN202110912293.0A priority Critical patent/CN113379741B/zh
Publication of CN113379741A publication Critical patent/CN113379741A/zh
Application granted granted Critical
Publication of CN113379741B publication Critical patent/CN113379741B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • 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)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种基于血管特征的视网膜血管分割方法、设备和存储介质。包括获取视网膜血管分割的数据集，并对数据集进行数据增强操作；建立基于多尺度语义信息融合的深度卷积神经网络智能模型，将增强之后的数据输入到智能模型，并获得模型的输出；运用图像形态学方法检测输出结果中存在的血管断点和血管厚度不一致区域；在断点和厚度不一致区域上加大损失函数的权重，通过动态权重的交叉熵损失函数迭代并优化智能模型，实现视网膜血管的精确分割。该方法结合了多尺度语义信息和断点信息解决血管连通性，并通过提取血管厚度信息改进损失函数解决血管厚度不一致性问题，有效的提高了视网膜血管分割精度，对于计算机医疗智能诊断具有重要意义。

Description

基于血管特征的视网膜血管分割方法、设备和存储介质
技术领域
本申请涉及医学诊断领域，特别是涉及一种基于血管特征的视网膜血管分割方法、设备和存储介质。
背景技术
在现代医学疾病诊断中，眼底视网膜血管具有十分重要的意义，许多疾病都可以通过眼底视网膜血管的形态变化检测和预防。通过视网膜血管分割，可以获得视网膜血管的曲率，长度和宽度等信息，这些信息对于疾病分析如糖尿病，高血压等具有重要意义。
然而，视网膜血管树具有非常复杂的结构，首先，眼底图片中的视网膜血管像素只占到30%，其中毛细血管的长度占到整个血管树的70%，而且毛细血管的宽度和主要血管差别很大，毛细血管的宽度往往只有一到两个像素，而主要血管的宽度有几十像素。所有实现精确分割视网膜血管是一个很有挑战性的任务。
发明内容
基于此，有必要针对上述技术问题，提供一种能够快速检测出异常使用权限的基于血管特征的视网膜血管分割方法、设备和存储介质。
第一方面，本发明实施例公开了一种基于血管特征的视网膜血管分割方法，所述方法包括：
获取待分割的视网膜血管的分割数据集，对所述分割数据集进行数据增强；
通过对增强后的所述分割数据集构建多尺度语义信息融合的深度卷积智能模型，并将所述深度卷积智能模型输出的初始视网膜血管特征作为预测值；
运用图像形态学方法检测深度卷积智能模型中存在的血管断点和血管厚度不一致区域；
在所述血管断点和血管厚度不一致区域上动态增加损失权重，迭代学习并进行优化，获得精确视网膜血管分割结果。
进一步的，所述通过对增强后的所述分割数据集构建多尺度语义信息融合的深度卷积智能模型，并将所述深度卷积智能模型输出的初始视网膜血管特征作为预测值，包括：
通过若干层不同感受野的卷积层，从较小感受野的网络编码底层提取视网膜血管的第一位置信息，从较大感受野的网络编码高层提取视网膜血管的第一语义信息；
将所述第一语义信息通过金字塔池化获得多尺度视网膜血管语义信息，并与所述第一语义信息进行组合，得到包含多尺度语义信息的第一视网膜血管特征；
将网络高层语义信息解码后与所述第一视网膜血管特征进行融合，并与网络编码低层获得的所述第一位置信息进行跳跃连接，得到包含多尺度语义信息和位置信息的第二视网膜血管特征；
将所述第二视网膜血管特征融入视网膜血管分割智能模型的特征解码网络中，得到初始视网膜血管特征。
进一步的，所述运用图像形态学方法检测深度卷积智能模型中存在的血管断点和血管厚度不一致区域，包括：
根据所述初始视网膜血管特征的形态学特征，使用图像细化和像素八邻域检测方法定位出所述初始视网膜血管特征中存在血管端点的位置；
将定位到的所述血管端点与标注的端点进行核查，得到血管断点；
分别计算所述初始视网膜血管特征的血管厚度和标注的视网膜血管的血管厚度，并计算两者的厚度不一致性，得到厚度不一致区域。
进一步的，所述在所述血管断点和血管厚度不一致区域上动态增加损失权重，迭代学习并进行优化，获得精确视网膜血管分割结果，包括：
在所述血管断点与所述厚度不一致性区域上动态增加视网膜血管损失权重，获得包含血管断点位置信息和厚度不一致性区域信息的损失函数；
通过所述损失函数迭代优化基于多尺度语义信息融合的视网膜血管分割智能模型，得到视网膜血管特征的精确分割结果。
进一步的，所述根据所述初始视网膜血管特征的形态学特征，使用图像细化和像素八邻域检测方法定位出所述初始视网膜血管特征中存在血管端点的位置，包括：
通过阈值二值化的方法，把所述初始视网膜血管特征中所有预测概率大于等于0.5的像素标记为血管像素，取值为1，把所述初始视网膜血管特征中预测概率小于0.5的像素标记为背景像素，取值为0；
通过形态学边缘检测算法检测出所述初始视网膜血管特征中血管的所有边缘像素，并删除所有边缘像素，把边缘像素的类别设置为背景，取值为0，迭代得到血管厚度为1的细化血管骨架特征图。
进一步的，所述分别计算所述初始视网膜血管特征的血管厚度和标注的视网膜血管的血管厚度，并计算两者的厚度不一致性，得到厚度不一致区域，包括：
通过形态学的边缘检测方法检测血管边缘像素，递归的删除血管边缘像素得到细化后的血管骨架特征图；
对于细化后的所述血管骨架特征图进行分段，计算得到分段血管的平均血管厚度；
通过所述的血管厚度计算方法，计算血管厚度不一致率。
另一方面，本发明实施例还公开了一种基于血管特征的视网膜血管分割计算机设备，包括：
数据集处理模块，用于获取待分割的视网膜血管的分割数据集，对所述分割数据集进行数据增强；
智能卷积模块，用于通过对增强后的所述分割数据集构建多尺度语义信息融合的深度卷积智能模型，并将所述深度卷积智能模型输出的初始视网膜血管特征作为预测值；
血管计算模块，用于运用图像形态学方法检测深度卷积智能模型中存在的血管断点和血管厚度不一致区域；
结果分割模块，用于在所述血管断点和血管厚度不一致区域上动态增加损失权重，迭代学习并进行优化，获得精确视网膜血管分割结果。
进一步的，所述智能卷积模块包括初始特征单元，所述初始特征单元用于：
通过若干层不同感受野的卷积层，从较小感受野的网络编码底层提取视网膜血管的第一位置信息，从较大感受野的网络编码高层提取视网膜血管的第一语义信息；
将所述第一语义信息通过金字塔池化获得多尺度视网膜血管语义信息，并与所述第一语义信息进行组合，得到包含多尺度语义信息的第一视网膜血管特征；
将网络高层语义信息解码后与所述第一视网膜血管特征进行融合，并与网络编码低层获得的所述第一位置信息进行跳跃连接，得到包含多尺度语义信息和位置信息的第二视网膜血管特征；
将所述第二视网膜血管特征融入视网膜血管分割智能模型的特征解码网络中，得到初始视网膜血管特征。
进一步的，所述血管计算模块包括断点厚度单元，所述断点厚度单元用于：
根据所述初始视网膜血管特征的形态学特征，使用图像细化和像素八邻域检测方法定位出所述初始视网膜血管特征中存在血管端点的位置；
将定位到的所述血管端点与标注的端点进行核查，得到血管断点；
分别计算所述初始视网膜血管特征的血管厚度和标注的视网膜血管的血管厚度，并计算两者的厚度不一致性，得到厚度不一致区域。
本发明实施例还公开了一种计算机可读存储介质，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待分割的视网膜血管的分割数据集，对所述分割数据集进行数据增强；
通过对增强后的所述分割数据集构建多尺度语义信息融合的深度卷积智能模型，并将所述深度卷积智能模型输出的初始视网膜血管特征作为预测值；
运用图像形态学方法检测深度卷积智能模型中存在的血管断点和血管厚度不一致区域；
在所述血管断点和血管厚度不一致区域上动态增加损失权重，迭代学习并进行优化，获得精确视网膜血管分割结果。
上述基于血管特征的视网膜血管分割方法、装置、计算机设备和存储介质，该方法包括获取视网膜血管分割的数据集，并对数据集进行数据增强操作；建立基于多尺度语义信息融合的深度卷积神经网络智能模型，将增强之后的数据输入到智能模型，并获得模型的输出；运用图像形态学方法检测输出结果中存在的血管断点和血管厚度不一致区域；在断点和厚度不一致区域上加大损失函数的权重，通过动态权重的交叉熵损失函数不断迭代并优化智能模型，实现视网膜血管的精确分割。该创新方法巧妙的结合了多尺度语义信息和断点信息解决血管连通性问题，并通过提取血管厚度信息改进损失函数解决血管厚度不一致性问题，有效的提高了视网膜血管分割精度，对于计算机医疗智能诊断具有重要意义。
附图说明
图1为一个实施例中基于血管特征的视网膜血管分割方法的流程示意图；
图2为一个实施例中获取初始视网膜血管特征的流程示意图；
图3为一个实施例中血管断点和血管厚度计算的流程示意图；
图4为一个实施例中视网膜血管特征精确分割的流程示意图；
图5为一个实施例中获取细化血管骨架特征图的流程示意图；
图6为一个实施例中获取血管厚度不一致区域的流程示意图；
图7为一个实施例中基于血管特征的视网膜血管分割计算机设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图所示，提供了一种基于血管特征的视网膜血管分割方法，包括以下步骤：
步骤101，获取待分割的视网膜血管的分割数据集，对所述分割数据集进行数据增强；
步骤102，通过对增强后的所述分割数据集构建多尺度语义信息融合的深度卷积智能模型，并将所述深度卷积智能模型输出的初始视网膜血管特征作为预测值；
步骤103，运用图像形态学方法检测深度卷积智能模型中存在的血管断点和血管厚度不一致区域；
步骤104，在所述血管断点和血管厚度不一致区域上动态增加损失权重，迭代学习并进行优化，获得精确视网膜血管分割结果。
具体地，通过获取视网膜血管分割的数据集，并对数据集进行数据增强操作；建立基于多尺度语义信息融合的深度卷积神经网络智能模型，将增强之后的数据输入到智能模型，并获得模型的输出；运用图像形态学方法检测输出结果中存在的血管断点和血管厚度不一致区域；在断点和厚度不一致区域上加大损失函数的权重，通过动态权重的交叉熵损失函数不断迭代并优化智能模型，实现视网膜血管的精确分割。该创新方法巧妙的结合了多尺度语义信息和断点信息解决血管连通性问题，并通过提取血管厚度信息改进损失函数解决血管厚度不一致性问题，有效的提高了视网膜血管分割精度，对于计算机医疗智能诊断具有重要意义
在一个实施例中，如图2所示，获取初始视网膜血管特征包括：
步骤201，通过若干层不同感受野的卷积层，从较小感受野的网络编码底层提取视网膜血管的第一位置信息，从较大感受野的网络编码高层提取视网膜血管的第一语义信息；
步骤202，将所述第一语义信息通过金字塔池化获得多尺度视网膜血管语义信息，并与所述第一语义信息进行组合，得到包含多尺度语义信息的第一视网膜血管特征；
步骤203，将网络高层语义信息解码后与所述第一视网膜血管特征进行融合，并与网络编码低层获得的所述第一位置信息进行跳跃连接，得到包含多尺度语义信息和位置信息的第二视网膜血管特征；
步骤204，将所述第二视网膜血管特征融入视网膜血管分割智能模型的特征解码网络中，得到初始视网膜血管特征。
进一步的，在一个实施例中，如图3所示，血管断点和血管厚度计算的流程包括：
步骤301，根据所述初始视网膜血管特征的形态学特征，使用图像细化和像素八邻域检测方法定位出所述初始视网膜血管特征中存在血管端点的位置；
步骤302，将定位到的所述血管端点与标注的端点进行核查，得到血管断点；
步骤303，分别计算所述初始视网膜血管特征的血管厚度和标注的视网膜血管的血管厚度，并计算两者的厚度不一致性，得到厚度不一致区域。
具体地，在本实施例中通过若干层不同感受野的卷积层，从较小感受野的网络编码底层提取视网膜血管的位置信息Z1，从较大感受野的网络编码高层提取视网膜血管的语义信息Z2；
将Z2通过金字塔池化获得多尺度的视网膜血管语义信息，将获得的多尺度语义信息与Z2进行组合，得到包含多尺度语义信息的视网膜血管特征Z3；
将网络高层语义信息解码得到Z4，Z4先与组合之后的语义信息Z3进行融合，然后与网络编码低层获得的位置信息Z1进行跳跃连接，得到包含多尺度语义信息和位置信息的视网膜血管特征Z5；
将所述的包含多尺度语义信息和位置信息的视网膜血管特征Z5，融入所述的基于多尺度语义信息融合的视网膜血管分割智能模型的特征解码网络中，得到所述的视网膜血管特征Y’；
根据视网膜血管Y‘的形态学特征，使用图像细化和像素八邻域检测方法定位出Y‘中存在血管端点的位置，将定位到的血管端点与专家标注的端点进行核查，得到血管断点S；
计算视网膜血管Y’的血管厚度与专家标注的视网膜血管的血管厚度，并计算两者的厚度不一致性，得到厚度不一致区域V。
在一个实施例中，如图4所示，视网膜血管特征精确分割的流程包括：
步骤401，在所述血管断点与所述厚度不一致性区域上动态增加视网膜血管损失权重，获得包含血管断点位置信息和厚度不一致性区域信息的损失函数；
步骤402，通过所述损失函数迭代优化基于多尺度语义信息融合的视网膜血管分割智能模型，得到视网膜血管特征的精确分割结果。
具体地，在所述的血管断点S与厚度不一致性区域V上动态增加视网膜血管损失权重，获得包含血管断点位置信息和厚度不一致性区域信息的损失函数L，并通过损失函数L不断迭代优化所述基于多尺度语义信息融合的视网膜血管分割智能模型，得到精确分割的视网膜血管特征；根据所述视网膜血管特征，利用二进制标记所述待分割的眼底视网膜血管图像中的视网膜血管区域的像素和其余区域的像素，将标记后的图片作为所述视网膜血管分割结果。
在一个实施例中，如图5所示，获取细化血管骨架特征图的步骤包括：
步骤501，通过阈值二值化的方法，把所述初始视网膜血管特征中所有预测概率大于等于0.5的像素标记为血管像素，取值为1，把所述初始视网膜血管特征中预测概率小于0.5的像素标记为背景像素，取值为0；
步骤502，通过形态学边缘检测算法检测出所述初始视网膜血管特征中血管的所有边缘像素，并删除所有边缘像素，把边缘像素的类别设置为背景，取值为0，迭代得到血管厚度为1的细化血管骨架特征图。
在一个实施例中，如图6所示，获取血管厚度不一致区域包括：
步骤601，通过形态学的边缘检测方法检测血管边缘像素，递归的删除血管边缘像素得到细化后的血管骨架特征图；
步骤602，对于细化后的所述血管骨架特征图进行分段，计算得到分段血管的平均血管厚度；
步骤603，通过所述的血管厚度计算方法，计算血管厚度不一致率。
具体地，通过所述的形态学的边缘检测方法检测血管边缘像素，递归的删除血管边缘像素得到细化后的血管骨架特征图；
对于细化后的血管骨架特征图进行分段，计算得到分段血管的平均血管厚度，计算公式为：
Figure DEST_PATH_IMAGE001
,
其中
Figure DEST_PATH_IMAGE002
代表第k段血管的血管像素，
Figure DEST_PATH_IMAGE003
代表第k段血管的血管长度，
Figure DEST_PATH_IMAGE004
代表第k段血管的血管平均厚度；
通过所述的血管厚度计算方法，计算血管厚度不一致率,计算公式为：
Figure DEST_PATH_IMAGE005
,
其中
Figure DEST_PATH_IMAGE006
代表第k段血管的厚度不一致率，
Figure DEST_PATH_IMAGE007
代表专家标注的视网膜血管特征图的分段血管厚度。
应该理解的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种基于血管特征的视网膜血管分割计算机设备，包括：
数据集处理模块701，用于获取待分割的视网膜血管的分割数据集，对所述分割数据集进行数据增强；
智能卷积模块702，用于通过对增强后的所述分割数据集构建多尺度语义信息融合的深度卷积智能模型，并将所述深度卷积智能模型输出的初始视网膜血管特征作为预测值；
血管计算模块703，用于运用图像形态学方法检测深度卷积智能模型中存在的血管断点和血管厚度不一致区域；
结果分割模块704，用于在所述血管断点和血管厚度不一致区域上动态增加损失权重，迭代学习并进行优化，获得精确视网膜血管分割结果。
在一个实施例中，如图7所示，所述智能卷积模块702包括初始特征单元7021，所述初始特征单元7021用于：
通过若干层不同感受野的卷积层，从较小感受野的网络编码底层提取视网膜血管的第一位置信息，从较大感受野的网络编码高层提取视网膜血管的第一语义信息；
将所述第一语义信息通过金字塔池化获得多尺度视网膜血管语义信息，并与所述第一语义信息进行组合，得到包含多尺度语义信息的第一视网膜血管特征；
将网络高层语义信息解码后与所述第一视网膜血管特征进行融合，并与网络编码低层获得的所述第一位置信息进行跳跃连接，得到包含多尺度语义信息和位置信息的第二视网膜血管特征；
将所述第二视网膜血管特征融入视网膜血管分割智能模型的特征解码网络中，得到初始视网膜血管特征。
在一个实施例中，如图7所示，所述血管计算模块703包括断点厚度单元7031，所述断点厚度单元7031用于：
根据所述初始视网膜血管特征的形态学特征，使用图像细化和像素八邻域检测方法定位出所述初始视网膜血管特征中存在血管端点的位置；
将定位到的所述血管端点与标注的端点进行核查，得到血管断点；
分别计算所述初始视网膜血管特征的血管厚度和标注的视网膜血管的血管厚度，并计算两者的厚度不一致性，得到厚度不一致区域。
关于基于血管特征的视网膜血管分割设备的具体限定可以参见上文中对于基于血管特征的视网膜血管分割方法的限定，在此不再赘述。上述基于血管特征的视网膜血管分割设备中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待分割的视网膜血管的分割数据集，对所述分割数据集进行数据增强；
通过对增强后的所述分割数据集构建多尺度语义信息融合的深度卷积智能模型，并将所述深度卷积智能模型输出的初始视网膜血管特征作为预测值；
运用图像形态学方法检测深度卷积智能模型中存在的血管断点和血管厚度不一致区域；
在所述血管断点和血管厚度不一致区域上动态增加损失权重，迭代学习并进行优化，获得精确视网膜血管分割结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
通过若干层不同感受野的卷积层，从较小感受野的网络编码底层提取视网膜血管的第一位置信息，从较大感受野的网络编码高层提取视网膜血管的第一语义信息；
将所述第一语义信息通过金字塔池化获得多尺度视网膜血管语义信息，并与所述第一语义信息进行组合，得到包含多尺度语义信息的第一视网膜血管特征；
将网络高层语义信息解码后与所述第一视网膜血管特征进行融合，并与网络编码低层获得的所述第一位置信息进行跳跃连接，得到包含多尺度语义信息和位置信息的第二视网膜血管特征；
将所述第二视网膜血管特征融入视网膜血管分割智能模型的特征解码网络中，得到初始视网膜血管特征。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据所述初始视网膜血管特征的形态学特征，使用图像细化和像素八邻域检测方法定位出所述初始视网膜血管特征中存在血管端点的位置；
将定位到的所述血管端点与标注的端点进行核查，得到血管断点；
分别计算所述初始视网膜血管特征的血管厚度和标注的视网膜血管的血管厚度，并计算两者的厚度不一致性，得到厚度不一致区域。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在所述血管断点与所述厚度不一致性区域上动态增加视网膜血管损失权重，获得包含血管断点位置信息和厚度不一致性区域信息的损失函数；
通过所述损失函数迭代优化基于多尺度语义信息融合的视网膜血管分割智能模型，得到视网膜血管特征的精确分割结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
通过阈值二值化的方法，把所述初始视网膜血管特征中所有预测概率大于等于0.5的像素标记为血管像素，取值为1，把所述初始视网膜血管特征中预测概率小于0.5的像素标记为背景像素，取值为0；
通过形态学边缘检测算法检测出所述初始视网膜血管特征中血管的所有边缘像素，并删除所有边缘像素，把边缘像素的类别设置为背景，取值为0，迭代得到血管厚度为1的细化血管骨架特征图。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
通过形态学的边缘检测方法检测血管边缘像素，递归的删除血管边缘像素得到细化后的血管骨架特征图；
对于细化后的所述血管骨架特征图进行分段，计算得到分段血管的平均血管厚度；
通过所述的血管厚度计算方法，计算血管厚度不一致率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于血管特征的视网膜血管分割方法，其特征在于，所述方法包括：
获取待分割的视网膜血管的分割数据集，对所述分割数据集进行数据增强；
通过对增强后的所述分割数据集构建多尺度语义信息融合的深度卷积智能模型，并将所述深度卷积智能模型输出的初始视网膜血管特征图作为预测值；
运用图像形态学方法检测初始视网膜血管特征图中存在的血管断点和血管厚度不一致区域；
在所述血管断点和血管厚度不一致区域上动态增加损失权重，获得包含血管断点位置信息和厚度不一致区域信息的损失函数，通过所述损失函数迭代优化所述深度卷积智能模型，利用优化后的深度卷积智能模型获得视网膜血管特征的精确分割结果。
2.根据权利要求1所述的基于血管特征的视网膜血管分割方法，其特征在于，所述通过对增强后的所述分割数据集构建多尺度语义信息融合的深度卷积智能模型，并将所述深度卷积智能模型输出的初始视网膜血管特征图作为预测值，包括：
通过若干层不同感受野的卷积层，从较小感受野的网络编码底层提取视网膜血管的第一位置信息，从较大感受野的网络编码高层提取视网膜血管的第一语义信息；
将所述第一语义信息通过金字塔池化获得多尺度视网膜血管语义信息，并与所述第一语义信息进行组合，得到包含多尺度语义信息的第一视网膜血管特征；
将网络高层语义信息解码后与所述第一视网膜血管特征进行融合，并与网络编码低层获得的所述第一位置信息进行跳跃连接，得到包含多尺度语义信息和位置信息的第二视网膜血管特征；
将所述第二视网膜血管特征融入深度卷积智能模型的特征解码网络中，得到初始视网膜血管特征。
3.根据权利要求1所述的基于血管特征的视网膜血管分割方法，其特征在于，所述运用图像形态学方法检测初始视网膜血管特征图中存在的血管断点和血管厚度不一致区域，包括：
根据所述初始视网膜血管特征的形态学特征，使用图像细化和像素八邻域检测方法定位出所述初始视网膜血管特征中存在血管端点的位置；
将定位到的所述血管端点与标注的端点进行核查，得到血管断点；
分别计算所述初始视网膜血管特征的血管厚度和标注的视网膜血管的血管厚度，并计算两者的厚度不一致性，得到厚度不一致区域。
4.根据权利要求1所述的基于血管特征的视网膜血管分割方法，其特征在于，所述在所述血管断点和血管厚度不一致区域上动态增加损失权重，获得包含血管断点位置信息和厚度不一致区域信息的损失函数，通过所述损失函数迭代优化所述深度卷积智能模型，利用优化后的深度卷积智能模型获得视网膜血管特征的精确分割结果，包括：
通过所述损失函数迭代优化基于多尺度语义信息融合的深度卷积智能模型，得到视网膜血管特征的精确分割结果。
5.根据权利要求3所述的基于血管特征的视网膜血管分割方法，其特征在于，所述根据所述初始视网膜血管特征的形态学特征，使用图像细化和像素八邻域检测方法定位出所述初始视网膜血管特征中存在血管端点的位置，包括：
通过阈值二值化的方法，把所述初始视网膜血管特征中所有预测概率大于等于0.5的像素标记为血管像素，取值为1，把所述初始视网膜血管特征中预测概率小于0.5的像素标记为背景像素，取值为0；
通过形态学边缘检测算法检测出所述初始视网膜血管特征中血管的所有边缘像素，并删除所有边缘像素，把边缘像素的类别设置为背景，取值为0，迭代得到血管厚度为1的细化血管骨架特征图。
6.根据权利要求3所述的基于血管特征的视网膜血管分割方法，其特征在于，所述分别计算所述初始视网膜血管特征的血管厚度和标注的视网膜血管的血管厚度，并计算两者的厚度不一致性，得到厚度不一致区域，包括：
通过形态学的边缘检测方法检测血管边缘像素，递归的删除血管边缘像素得到细化后的血管骨架特征图；
对于细化后的所述血管骨架特征图进行分段，计算得到分段血管的平均血管厚度；
通过所述的血管厚度计算方法，计算血管厚度不一致率。
7.一种基于血管特征的视网膜血管分割计算机设备，其特征在于，包括：
数据集处理模块，用于获取待分割的视网膜血管的分割数据集，对所述分割数据集进行数据增强；
智能卷积模块，用于通过对增强后的所述分割数据集构建多尺度语义信息融合的深度卷积智能模型，并将所述深度卷积智能模型输出的初始视网膜血管特征图作为预测值；
血管计算模块，用于运用图像形态学方法检测初始视网膜血管特征图中存在的血管断点和血管厚度不一致区域；
结果分割模块，用于在所述血管断点和血管厚度不一致区域上动态增加损失权重，获得包含血管断点位置信息和厚度不一致区域信息的损失函数，通过所述损失函数迭代优化所述深度卷积智能模型，利用优化后的深度卷积智能模型获得视网膜血管特征的精确分割结果。
8.根据权利要求7所述的基于血管特征的视网膜血管分割计算机设备，其特征在于，所述智能卷积模块包括初始特征单元，所述初始特征单元用于：
通过若干层不同感受野的卷积层，从较小感受野的网络编码底层提取视网膜血管的第一位置信息，从较大感受野的网络编码高层提取视网膜血管的第一语义信息；
将所述第一语义信息通过金字塔池化获得多尺度视网膜血管语义信息，并与所述第一语义信息进行组合，得到包含多尺度语义信息的第一视网膜血管特征；
将网络高层语义信息解码后与所述第一视网膜血管特征进行融合，并与网络编码低层获得的所述第一位置信息进行跳跃连接，得到包含多尺度语义信息和位置信息的第二视网膜血管特征；
将所述第二视网膜血管特征融入深度卷积智能模型的特征解码网络中，得到初始视网膜血管特征。
9.根据权利要求7所述的基于血管特征的视网膜血管分割计算机设备，其特征在于，所述血管计算模块包括断点厚度单元，所述断点厚度单元用于：
根据所述初始视网膜血管特征的形态学特征，使用图像细化和像素八邻域检测方法定位出所述初始视网膜血管特征中存在血管端点的位置；
将定位到的所述血管端点与标注的端点进行核查，得到血管断点；
分别计算所述初始视网膜血管特征的血管厚度和标注的视网膜血管的血管厚度，并计算两者的厚度不一致性，得到厚度不一致区域。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202110912293.0A 2021-08-10 2021-08-10 基于血管特征的视网膜血管分割方法、设备和存储介质 Active CN113379741B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110912293.0A CN113379741B (zh) 2021-08-10 2021-08-10 基于血管特征的视网膜血管分割方法、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110912293.0A CN113379741B (zh) 2021-08-10 2021-08-10 基于血管特征的视网膜血管分割方法、设备和存储介质

Publications (2)

Publication Number Publication Date
CN113379741A CN113379741A (zh) 2021-09-10
CN113379741B true CN113379741B (zh) 2021-11-16

Family

ID=77576667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110912293.0A Active CN113379741B (zh) 2021-08-10 2021-08-10 基于血管特征的视网膜血管分割方法、设备和存储介质

Country Status (1)

Country Link
CN (1) CN113379741B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114119579B (zh) * 2021-10-08 2024-06-21 北京理工大学 一种基于血管结构相似度的视网膜图像主血管识别方法
CN115359046B (zh) * 2022-10-19 2023-03-24 海杰亚（北京）医疗器械有限公司 一种脏器血管分割方法、装置、存储介质及电子设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106815853B (zh) * 2016-12-14 2020-06-05 海纳医信（北京）软件科技有限责任公司 对眼底图像中视网膜血管的分割方法和装置
CN109658422A (zh) * 2018-12-04 2019-04-19 大连理工大学 一种基于多尺度深监督网络的视网膜图像血管分割方法
CN110136157B (zh) * 2019-04-09 2021-03-26 华中科技大学 一种基于深度学习的三维颈动脉超声图像血管壁分割方法
CN111047613B (zh) * 2019-12-30 2021-04-27 北京小白世纪网络科技有限公司 基于分支注意力及多模型融合的眼底血管分割方法

Also Published As

Publication number Publication date
CN113379741A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
JP7058373B2 (ja) 医療画像に対する病変の検出及び位置決め方法、装置、デバイス、及び記憶媒体
CN108133476B (zh) 一种肺结节自动检测方法及系统
Liu et al. A framework of wound segmentation based on deep convolutional networks
CN113379741B (zh) 基于血管特征的视网膜血管分割方法、设备和存储介质
US11967181B2 (en) Method and device for retinal image recognition, electronic equipment, and storage medium
CN112132265B (zh) 模型训练方法、杯盘比确定方法、装置、设备及存储介质
CN111383259B (zh) 图像分析方法、计算机设备和存储介质
CN113936011A (zh) 基于注意力机制的ct影像肺叶图像分割系统
CN111415373A (zh) 基于孪生卷积网络的目标跟踪与分割方法、系统及介质
CN111738992B (zh) 肺部病灶区域提取方法、装置、电子设备和存储介质
CN111951276A (zh) 图像分割方法、装置、计算机设备和存储介质
CN116188485A (zh) 图像处理方法、装置、计算机设备和存储介质
CN113920109A (zh) 医疗影像识别模型训练方法、识别方法、装置及设备
CN112102259A (zh) 一种基于边界引导深度学习的图像分割算法
CN114170212A (zh) 一种基于ct影像中肺小结节假阳检测方法及系统
Sivanesan et al. Unsupervised medical image segmentation with adversarial networks: From edge diagrams to segmentation maps
CN110619672B (zh) 图形边缘线选取方法、机器可读存储介质及数据处理设备
CN112242193B (zh) 一种基于深度学习的自动血管穿刺方法
CN114170440A (zh) 图像特征点的确定方法、装置、计算机设备和存储介质
CN111401102A (zh) 深度学习模型训练方法及装置、电子设备及存储介质
Liu et al. Deformable model-guided region split and merge of image regions
CN117522845A (zh) 一种肺功能检测方法、装置、电子设备和存储介质
CN116664592A (zh) 基于图像的动静脉血管分离方法、装置、电子设备及介质
CN114998582A (zh) 一种冠脉血管的分割方法、装置及存储介质
CN115631370A (zh) 一种基于卷积神经网络的mri序列类别的识别方法及装置

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