CN117078720B - 融合神经网络的管状结构快速追踪方法 - Google Patents

Abstract

一种融合神经网络的管状结构快速追踪方法，涉及医学图像处理领域，利用Attention U‑Net网络对数据集进行前景背景分类训练，使用基于图的路径搜索方案的全局最优性提供强大的几何先验。神经网路与最小路径框架相互配合，克服血管追踪过程中的如捷径、短支路组合等诸多问题，实现更快速、更精准的管状结构追踪。

Description

融合神经网络的管状结构快速追踪方法

技术领域

本发明涉及医学图像处理领域，具体涉及一种融合神经网络的管状结构快速追踪方法。

背景技术

随着医学成像技术的发展和广泛应用，对血管结构进行准确追踪的需求日益增加。血管追踪在医学诊断、手术规划和治疗监测等领域具有重要意义。然而，传统的血管追踪方法存在一些局限性，如对噪声、图像质量以及复杂血管网络的处理敏感性。因此，研究人员不断探索新的血管追踪方法，旨在提高准确性、鲁棒性和效率。

传统的管状结构追踪方法通常依赖于手工设计的特征提取和跟踪算法，这些方法在复杂场景下往往面临着精度不高、鲁棒性差、计算复杂度高等问题。随着深度学习的兴起，基于深度学习的管状结构追踪方法逐渐成为研究热点，2016年Ronneberger等提出了U-net网络(参考文献：O.Ronneberger,P.Fischer,and T.Brox,“U-net:convolutionalnetworks for biomedical image segmentation,”in International Conference onMedical Image Computing and Computer-Assisted Intervention,2015,pp.234–241.)。另外，Liu等人(参考文献：L.Liu,D.Chen,M.Shu,H.Shu and L.D.Cohen,"A New TubularStructure Tracking Algorithm Based On Curvature-Penalized PerceptualGrouping,"ICASSP 2021-2021IEEE International Conference on Acoustics,Speechand Signal Processing(ICASSP),Toronto,ON,Canada,2021,pp.2195-2199,doi:10.1109/ICASSP39728.2021.9414114.)中的曲率正则化模型在管状结构追踪方面取得非常好的效果，随着深度学习网络的发展，传统方法与深度学习网络相结合的血管追踪方法得到蓬勃发展。

发明内容

本发明为了克服以上技术的不足，提供了一种利用神经网路与最小路径框架相互配合，克服血管追踪过程中的如捷径、短支路组合等诸多问题的融合神经网络的管状结构快速追踪方法。

本发明克服其技术问题所采用的技术方案是：

一种融合神经网络的管状结构快速追踪方法，包括如下步骤：

a)收集N张眼底视网膜血管图像，得到数据集T，T＝{t₁,t₂,...,t_i,...,t_N}，t_i为第i张眼底视网膜血管图像，i∈{1,...,N}；

b)在python中导入Image包，使用crop()函数将第i张眼底视网膜血管图像t_i进行切片、拆分，将所有N张眼底视网膜血管图像切片、拆分的形成的切片中眼底视网膜血管位于图像中心位置的切片作为正样本，其它切片作为负样本，将正样本和负样本组成数据集T′；

c)将数据集T′划分为训练集train′和测试集test′，train′＝{train₁′,train₂′,...,train_i′,...,train_k′}，train_i′为训练集train′中第i张切片，i∈{1,...,k}，k为训练集中切片张数，test′＝{test₁′,test₂′,...,test_s′,...,test_m′}，test_s′为测试集test′中第s张切片，s∈{1,...,m}，m为测试集中切片张数；

d)将第i张切片train_i′输入到Attention U-Net网络中，使用adam优化器利用交叉熵损失函数对眼底视网膜血管图像的前景、背景进行分类训练，得到优化后的AttentionU-Net网络；

e)建立管状结构追踪路径计算模型，将第s张切片test_s′输入到管状结构追踪路径计算模型中，输出得到邻接矩阵P_n[v_n][v_n]；

f)建立管状结构追踪路径生成模型，将邻接矩阵P_n[v_n][v_n]输入到管状结构追踪路径生成模型中，得到管状结构追踪路径。

优选的，步骤a)中从公开FIVESDataset数据集中选取30张眼底视网膜血管图像，得到数据集T。

优选的，步骤b)中将正样本和负样本按照1:3的比例组成数据集T′。

优选的，步骤c)中将数据集T′按7:3的比例划分为训练集train′和测试集test′。进一步的，步骤e)包括如下步骤：

e-1)管状结构追踪路径计算模型由轨迹生成层、轨迹优化层、权重生成层、追踪路径生成层构成；

e-2)将第s张切片test_s′输入到轨迹生成层中，使用OOF滤波器提取第s张切片test_s′血管结构特征，得到管状结构概率图Φ₁；

e-3)将管状结构概率图Φ₁进行阈值处理得到管状结构二值图像Φ₂；

e-4)将管状结构二值图像Φ₂输入到轨迹优化层中，利用MatLab中的bwmorph()函数对管状结构二值图像Φ₂进行骨架化处理，得到骨架片段图Φ₃，使用阈值法去除骨架片段图Φ₃中长度小于Th值的骨架片段，得到轨迹图Φ₄，轨迹图Φ₄中的轨迹集合为V，V＝{v₁,v₂,...,v_i,...,v_j,...,v_t,...,v_k,...,v_n}，其中，v_i为第i条轨迹，v_j为第j条轨迹，v_t为第t条轨迹，v_k为第k条轨迹，i＜j＜t＜k，i＜n，j＜n，t＜n，k＜n，n为轨迹数量；

e-5)管状结构追踪路径计算模型的权重生成层由曲率正则化模型构成，将轨迹集合V及轨迹图Φ₄输入到曲率正则化模型中，利用轨迹间的欧几里得距离搜索轨迹图Φ₄中的相邻轨迹，以相邻轨迹间的测地线为连接边，得到相邻轨迹间边的集合E，利用测地线提供的曲率信息计算相邻轨迹间边的权重，得到轨迹间边上的权重集合W，其中/>为第i条轨迹v_i与第j条轨迹v_j的边， 为边/>的权重；

e-6)将相邻轨迹间边的集合E、轨迹集合V及轨迹间边上的权重集合W输入到追踪路径生成层中，定义大小为n+1的邻接矩阵集合A及大小为n+1的邻接矩阵集合P，

A＝{A_-1[v_i][v_j],A₁[v_i][v_j],A₂[v_i][v_j],...,A_i[v_i][v_j],...,A_n[v_i][v_j]}，

式中A_i[v_i][v_j]为第i条轨迹v_i与第j条轨迹v_j之间边的权重的第i个邻接矩阵，A_-1[v_i][v_j]为权重集合W中第i条轨迹v_i与第j条轨迹v_j之间边的权重的矩阵的初始矩阵，A_-1[v_i][v_j]中不相邻轨迹间的权重值为正无穷，

P＝{P_-1[v_i][v_j],P₁[v_i][v_j],P₂[v_i][v_j],...,P_i[v_i][v_j],...,P_n[v_i][v_j]}，

式中P_i[v_i][v_j]为第i条轨迹v_i对应第j条轨迹v_j最小路径的第i个前驱矩阵，P_-1[v_i][v_j]为第i条轨迹v_i对应第j条轨迹v_j最小路径的前驱矩阵的初始矩阵，P_-1[v_i][v_j]中的所有值初始化为-1；

e-7)以第t条轨迹v_t两端点之间的欧式距离为边长，从轨迹图Φ₄剪裁出包含轨迹v_t的正方形切片P_t′，将正方形切片P_t′输入到优化后的Attention U-Net网络中对优化后的Attention U-Net网络进行前景与背景的分类，如果正方形切片P_t′为背景则将权重设置为无穷大，如果正方形切片P_t′为前景，则将权重/>的权重值保持不变，如果A_i[v_i][v_j]＞A_i[v_i][v_t]+A_i[v_t][v_j]，则将A_i[v_i][v_j]的值更新为A_i[v_i][v_t]+A_i[v_t][v_j]的值且将P_i[v_i][v_j]改为v_t；

e-8)重复步骤e-7)直至轨迹集合为V中的轨迹全部遍历完成，得到邻接矩阵P_n[v_n][v_n]。

优选的，步骤e-4)中Th取值为20像素。

进一步的，步骤f)包括如下步骤：

f-1)管状结构追踪路径生成模型由目标点选取计算层、追踪路径生成层构成；

f-2)将轨迹集合V输入到管状结构追踪路径生成模型的目标点选取计算层中，手动选取目标管状结构的源点o和终点f，计算源点o与轨迹集合V中每一条轨迹的欧式距离，选取轨迹集合V中与源点o有最小欧式距离的轨迹v_i，计算终点f与轨迹集合V中每一条轨迹的欧式距离，选取集合轨迹集合V中与终点f有最小欧式距离的轨迹v_j；

f-3)将轨迹v_i、轨迹v_j、邻接矩阵P_n[v_n][v_n]输入到管状结构追踪路径生成模型的追踪路径生成层中，将轨迹v_i及轨迹v_j代入邻接矩阵P_n[v_n][v_n]中，如果P_n[v_n][v_n]＝-1，则直接输出路径{v_i,v_j}，如果P_n[v_n][v_n]≠-1，则令v_t＝P_n[v_i][v_j]，轨迹v_i对应轨迹v_t最小路径的第n个前驱矩阵为P_n[v_i][v_t]，轨迹v_t对应轨迹v_j最小路径的第n个前驱矩阵为P_n[v_t][v_j]，轨迹集合V中的轨迹v_k对应轨迹v_j最小路径的第n个前驱矩阵为P_n[v_k][v_j]，如果P_n[v_i][v_t]＝-1且P_n[v_t][v_j]＝-1，得到管状结构追踪路径为{o,v_i,v_t,v_j,f}；

f-4)如果P_n[v_i][v_t]＝-1且P_n[v_t][v_j]≠-1，则重复执行步骤f-3)直至轨迹集合V中的第k条轨迹v_k对应轨迹v_j最小路径的第n个前驱矩阵P_n[v_k][v_j]＝-1，得到管状结构追踪路径为{o,v_i,v_t,...,v_k,v_j,f}。

本发明的有益效果是：从结构复杂或背景复杂的医学图像中进行血管追踪，克服了血管追踪过程中存在的捷径和短支路组合的问题。本方法分三个阶段融合神经网络，三个阶段相互融合、优势互补，利用Attention U-Net网络对数据集进行前景背景分类训练，使用基于图的路径搜索方案的全局最优性提供强大的几何先验。神经网路与最小路径框架相互配合，克服血管追踪过程中的如捷径、短支路组合等诸多问题。该方法可以应用于医学图像、工业检测、自动驾驶等多个领域，为相关领域的研究和应用提供了有力支持。通过该技术，可以实现更快速、更精准的管状结构追踪，为相关领域的自动化和智能化发展带来新的机遇。

附图说明

图1为本发明的方法流程图。

具体实施方式

下面结合附图1对本发明做进一步说明。

一种融合神经网络的管状结构快速追踪方法，包括如下步骤：

a)收集N张眼底视网膜血管图像，得到数据集T，T＝{t₁,t₂,...,t_i,...,t_N}，t_i为第i张眼底视网膜血管图像，i∈{1,...,N}。

b)在python中导入Image包，使用crop()函数将第i张眼底视网膜血管图像t_i进行切片、拆分，将所有N张眼底视网膜血管图像切片、拆分的形成的切片中眼底视网膜血管位于图像中心位置的切片作为正样本，其它切片作为负样本，将正样本和负样本组成数据集T′。

c)将数据集T′划分为训练集train′和测试集test′，train′＝{train₁′,train₂′,...,train_i′,...,train_k′}，train_i′为训练集train′中第i张切片，i∈{1,...,k}，k为训练集中切片张数，test′＝{test₁′,test₂′,...,test_s′,...,test_m′}，test_s′为测试集test′中第s张切片，s∈{1,...,m}，m为测试集中切片张数。

d)将第i张切片train_i′输入到Attention U-Net网络中，使用adam优化器利用交叉熵损失函数对眼底视网膜血管图像的前景、背景进行分类训练，得到优化后的AttentionU-Net网络。

e)建立管状结构追踪路径计算模型，将第s张切片test_s′输入到管状结构追踪路径计算模型中，输出得到邻接矩阵P_n[v_n][v_n]。

f)建立管状结构追踪路径生成模型，将邻接矩阵P_n[v_n][v_n]输入到管状结构追踪路径生成模型中，得到管状结构追踪路径。

本发明从结构复杂或背景复杂的医学图像中进行血管追踪，克服了血管追踪过程中存在的捷径和短支路组合的问题。本方法分为三个阶段。第一阶段，使用Attention U-Net网络对数据集进行前景背景分类训练。第二阶段，对管状结构进行骨架化处理，生成轨迹，利用曲率信息计算轨迹间权重。第三阶段，基于图的路径搜索方案的全局最优性完成血管追踪。本发明的三个阶段相互融合、优势互补，利用Attention U-Net神经网络对血管结构的前景与背景进行分类，使用于图的路径搜索方案为血管追踪提供强大的几何先验。神经网路与最小路径框架相互配合，克服血管追踪过程中的如捷径、短支路组合等诸多问题。

在本发明的一个实施例中，步骤a)中从公开FIVESDataset数据集中选取30张眼底视网膜血管图像，得到数据集T。步骤b)中将正样本和负样本按照1:3的比例组成数据集T′。步骤c)中将数据集T′按7:3的比例划分为训练集train′和测试集test′。

在本发明的一个实施例中，步骤e)包括如下步骤：

e-1)管状结构追踪路径计算模型由轨迹生成层、轨迹优化层、权重生成层、追踪路径生成层构成。

e-2)将第s张切片test_s′输入到轨迹生成层中，使用OOF滤波器提取第s张切片test_s′血管结构特征，得到管状结构概率图Φ₁。

e-3)将管状结构概率图Φ₁进行阈值处理得到管状结构二值图像Φ₂。

e-4)将管状结构二值图像Φ₂输入到轨迹优化层中，利用MatLab中的bwmorph()函数对管状结构二值图像Φ₂进行骨架化处理，得到骨架片段图Φ₃，使用阈值法去除骨架片段图Φ₃中长度小于Th值的骨架片段，得到轨迹图Φ₄，轨迹图Φ₄中的轨迹集合为V，V＝{v₁,v₂,…,v_i,...,v_j,…,v_t,…,v_k,…,v_n}，其中，v_i为第i条轨迹，v_j为第j条轨迹，v_t为第t条轨迹，v_k为第k条轨迹，i＜j＜t＜k，i＜n，j＜n，t＜n，k＜n，n为轨迹数量。

e-5)管状结构追踪路径计算模型的权重生成层由曲率正则化模型构成，将轨迹集合V及轨迹图Φ₄输入到曲率正则化模型中，利用轨迹间的欧几里得距离搜索轨迹图Φ₄中的相邻轨迹，以相邻轨迹间的测地线为连接边，得到相邻轨迹间边的集合E，利用测地线提供的曲率信息计算相邻轨迹间边的权重，得到轨迹间边上的权重集合W，其中/>为第i条轨迹v_i与第j条轨迹v_j的边， 为边/>的权重。

e-6)将相邻轨迹间边的集合E、轨迹集合V及轨迹间边上的权重集合W输入到追踪路径生成层中，定义大小为n+1的邻接矩阵集合A及大小为n+1的邻接矩阵集合P，

A＝{A_-1[v_i][v_j],A₁[v_i][v_j],A₂[v_i][v_j],…,A_i[v_i][v_j],…,A_n[v_i][v_j]}，

式中A_i[v_i][v_j]为第i条轨迹v_i与第j条轨迹v_j之间边的权重的第i个邻接矩阵，A_-1[v_i][v_j]为权重集合W中第_i条轨迹v_i与第j条轨迹v_j之间边的权重的矩阵的初始矩阵，A_-1[v_i][v_j]中不相邻轨迹间的权重值为正无穷，

P＝{P_-1[v_i][v_j],P₁[v_i][v_j],P₂[v_i][v_j],...,P_i[v_i][v_j],...,P_n[v_i][v_j]}，

式中P_i[v_i][v_j]为第i条轨迹v_i对应第j条轨迹v_j最小路径的第i个前驱矩阵，P_-1[v_i][v_j]为第i条轨迹v_i对应第j条轨迹v_j最小路径的前驱矩阵的初始矩阵，P_-1[v_i][v_j]中的所有值初始化为-1。

e-7)以第t条轨迹v_t两端点之间的欧式距离为边长，从轨迹图Φ₄剪裁出包含轨迹v_t的正方形切片P_t′，将正方形切片P_t′输入到优化后的Attention U-Net网络中对优化后的Attention U-Net网络进行前景与背景的分类，如果正方形切片P_t′为背景则将权重设置为无穷大，如果正方形切片P_t′为前景，则将权重/>的权重值保持不变，如果A_i[v_i][v_j]＞A_i[v_i][v_t]+A_i[v_t][v_j]，则将A_i[v_i][v_j]的值更新为A_i[v_i][v_t]+A_i[v_t][v_j]的值且将P_i[v_i][v_j]改为v_t；

e-8)重复步骤e-7)直至轨迹集合为V中的轨迹全部遍历完成，得到邻接矩阵P_n[v_n][v_n]。

在该实施例中，优选的，步骤e-4)中Th取值为20像素。

在本发明的一个实施例中，步骤f)包括如下步骤：

f-1)管状结构追踪路径生成模型由目标点选取计算层、追踪路径生成层构成。

f-2)将轨迹集合V输入到管状结构追踪路径生成模型的目标点选取计算层中，手动选取目标管状结构的源点o和终点f，计算源点o与轨迹集合V中每一条轨迹的欧式距离，选取轨迹集合V中与源点o有最小欧式距离的轨迹v_i，计算终点f与轨迹集合V中每一条轨迹的欧式距离，选取集合轨迹集合V中与终点f有最小欧式距离的轨迹v_j。

f-3)将轨迹v_i、轨迹v_j、邻接矩阵P_n[v_n][v_n]输入到管状结构追踪路径生成模型的追踪路径生成层中，将轨迹v_i及轨迹v_j代入邻接矩阵P_n[v_n][v_n]中，如果P_n[v_n][v_n]＝-1，则直接输出路径{v_i,v_j}，如果P_n[v_n][v_n]≠-1，则令v_t＝P_n[v_i][v_j]，轨迹v_i对应轨迹v_t最小路径的第n个前驱矩阵为P_n[v_i][v_t]，轨迹v_t对应轨迹v_j最小路径的第n个前驱矩阵为P_n[v_t][v_j]，轨迹集合V中的轨迹v_k对应轨迹v_j最小路径的第n个前驱矩阵为P_n[v_k][v_j]，如果P_n[v_i][v_t]＝-1且P_n[v_t][v_j]＝-1，得到管状结构追踪路径为{o,v_i,v_t,v_j,f}。

f-4)如果P_n[v_i][v_t]＝-1且P_n[v_t][v_j]≠-1，则重复执行步骤f-3)直至轨迹集合V中的第k条轨迹v_k对应轨迹v_j最小路径的第n个前驱矩阵P_n[v_k][v_j]＝-1，得到管状结构追踪路径为{o,v_i,v_t,...,v_k,v_j,f}。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种融合神经网络的管状结构快速追踪方法，其特征在于，包括如下步骤：

a)收集N张眼底视网膜血管图像，得到数据集T，T＝{t₁,t₂,...,t_i,...,t_N}，t_i为第i张眼底视网膜血管图像，i∈{1,...,N}；

b)在python中导入Image包，使用crop()函数将第i张眼底视网膜血管图像t_i进行切片、拆分，将所有N张眼底视网膜血管图像切片、拆分的形成的切片中眼底视网膜血管位于图像中心位置的切片作为正样本，其它切片作为负样本，将正样本和负样本组成数据集T′；

c)将数据集T′划分为训练集train′和测试集test′，train′＝{train₁′,train₂′,...,train_i′,...,train_k′}，train_i′为训练集train′中第i张切片，i∈{1,...,k}，k为训练集中切片张数，test′＝{test₁′,test₂′,...,test_s′,...,test_m′}，test_s′为测试集test′中第s张切片，s∈{1,...,m}，m为测试集中切片张数；

d)将第i张切片train_i′输入到Attention U-Net网络中，使用adam优化器利用交叉熵损失函数对眼底视网膜血管图像的前景、背景进行分类训练，得到优化后的Attention U-Net网络；

e)建立管状结构追踪路径计算模型，将第s张切片test_s′输入到管状结构追踪路径计算模型中，输出得到邻接矩阵P_n[v_n][v_n]；

f)建立管状结构追踪路径生成模型，将邻接矩阵P_n[v_n][v_n]输入到管状结构追踪路径生成模型中，得到管状结构追踪路径；

步骤e)包括如下步骤：

e-1)管状结构追踪路径计算模型由轨迹生成层、轨迹优化层、权重生成层、追踪路径生成层构成；

e-2)将第s张切片test_s′输入到轨迹生成层中，使用OOF滤波器提取第s张切片test_s′血管结构特征，得到管状结构概率图Φ₁；

e-3)将管状结构概率图Φ₁进行阈值处理得到管状结构二值图像Φ₂；

e-4)将管状结构二值图像Φ₂输入到轨迹优化层中，利用MatLab中的bwmorph()函数对管状结构二值图像Φ₂进行骨架化处理，得到骨架片段图Φ₃，使用阈值法去除骨架片段图Φ₃中长度小于Th值的骨架片段，得到轨迹图Φ₄，轨迹图Φ₄中的轨迹集合为V，V＝{v₁,v₂,...,v_i,...,v_j,...,v_t,...,v_k,...,v_n}，其中，v_i为第i条轨迹，v_j为第j条轨迹，v_t为第t条轨迹，v_k为第k条轨迹，i＜j＜t＜k，i＜n，j＜n，t＜n，k＜n，n为轨迹数量；

e-5)管状结构追踪路径计算模型的权重生成层由曲率正则化模型构成，将轨迹集合V及轨迹图Φ₄输入到曲率正则化模型中，利用轨迹间的欧几里得距离搜索轨迹图Φ₄中的相邻轨迹，以相邻轨迹间的测地线为连接边，得到相邻轨迹间边的集合E，利用测地线提供的曲率信息计算相邻轨迹间边的权重，得到轨迹间边上的权重集合W，其中/>为第i条轨迹v_i与第j条轨迹v_j的边， 为边的权重；

e-6)将相邻轨迹间边的集合E、轨迹集合V及轨迹间边上的权重集合W输入到追踪路径生成层中，定义大小为n+1的邻接矩阵集合A及大小为n+1的邻接矩阵集合P，

A＝{A_-1[v_i][v_j],A₁[v_i][v_j],A₂[v_i][v_j],...,A_i[v_i][v_j],...,A_n[v_i][v_j]}，

式中A_i[v_i][v_j]为第i条轨迹v_i与第j条轨迹v_j之间边的权重的第i个邻接矩阵，A_-1[v_i][v_j]为权重集合W中第i条轨迹v_i与第j条轨迹v_j之间边的权重的矩阵的初始矩阵，A_-1[v_i][v_j]中不相邻轨迹间的权重值为正无穷，P＝{P_-1[v_i][v_j],P₁[v_i][v_j],P₂[v_i][v_j],...,P_i[v_i][v_j],...,P_n[v_i][v_j]}，

式中P_i[v_i][v_j]为第i条轨迹v_i对应第j条轨迹v_j最小路径的第i个前驱矩阵，P_-1[v_i][v_j]为第i条轨迹v_i对应第j条轨迹v_j最小路径的前驱矩阵的初始矩阵，P_-1[v_i][v_j]中的所有值初始化为-1；

e-7)以第t条轨迹v_t两端点之间的欧式距离为边长，从轨迹图Φ₄剪裁出包含轨迹v_t的正方形切片P_t′，将正方形切片P_t′输入到优化后的Attention U-Net网络中对优化后的Attention U-Net网络进行前景与背景的分类，如果正方形切片P_t′为背景则将权重设置为无穷大，如果正方形切片P_t′为前景，则将权重/>的权重值保持不变，如果A_i[v_i][v_j]＞A_i[v_i][v_t]+A_i[v_t][v_j]，则将A_i[v_i][v_j]的值更新为A_i[v_i][v_t]+A_i[v_t][v_j]的值且将P_i[v_i][v_j]改为v_t；

e-8)重复步骤e-7)直至轨迹集合为V中的轨迹全部遍历完成，得到邻接矩阵P_n[v_n][v_n]。

2.根据权利要求1所述的融合神经网络的管状结构快速追踪方法，其特征在于：步骤a)中从公开FIVESDataset数据集中选取30张眼底视网膜血管图像，得到数据集T。

3.根据权利要求1所述的融合神经网络的管状结构快速追踪方法，其特征在于：步骤b)中将正样本和负样本按照1:3的比例组成数据集T′。

4.根据权利要求1所述的融合神经网络的管状结构快速追踪方法，其特征在于：步骤c)中将数据集T′按7:3的比例划分为训练集train′和测试集test′。

5.根据权利要求1所述的融合神经网络的管状结构快速追踪方法，其特征在于：步骤e-4)中Th取值为20像素。

6.根据权利要求1所述的融合神经网络的管状结构快速追踪方法，其特征在于，步骤f)包括如下步骤：

f-1)管状结构追踪路径生成模型由目标点选取计算层、追踪路径生成层构成；

f-2)将轨迹集合V输入到管状结构追踪路径生成模型的目标点选取计算层中，手动选取目标管状结构的源点o和终点f，计算源点o与轨迹集合V中每一条轨迹的欧式距离，选取轨迹集合V中与源点o有最小欧式距离的轨迹v_i，计算终点f与轨迹集合V中每一条轨迹的欧式距离，选取集合轨迹集合V中与终点f有最小欧式距离的轨迹v_j；

f-3)将轨迹v_i、轨迹v_j、邻接矩阵P_n[v_n][v_n]输入到管状结构追踪路径生成模型的追踪路径生成层中，将轨迹v_i及轨迹v_j代入邻接矩阵P_n[v_n][v_n]中，如果P_n[v_n][v_n]＝-1，则直接输出路径{v_i,v_j}，如果P_n[v_n][v_n]≠-1，则令v_t＝P_n[v_i][v_j]，轨迹v_i对应轨迹v_t最小路径的第n个前驱矩阵为P_n[v_i][v_t]，轨迹v_t对应轨迹v_j最小路径的第n个前驱矩阵为P_n[v_t][v_j]，轨迹集合V中的轨迹v_k对应轨迹v_j最小路径的第n个前驱矩阵为P_n[v_k][v_j]，如果P_n[v_i][v_t]＝-1且P_n[v_t][v_j]＝-1，得到管状结构追踪路径为{o,v_i,v_t,v_j,f}；

f-4)如果P_n[v_i][v_t]＝-1且P_n[v_t][v_j]≠-1，则重复执行步骤f-3)直至轨迹集合V中的第k条轨迹v_k对应轨迹v_j最小路径的第n个前驱矩阵P_n[v_k][v_j]＝-1，得到管状结构追踪路径为{o,v_i,v_t,...,v_k,v_j,f}。