一种基于大核卷积的视网膜血管图像分割方法

本发明涉及医学图像处理，尤其涉及一种分割效果好的基于大核卷积的视网膜血管图像分割方法。

背景技术：

1、通过对视网膜血管结构的分析，可以得到临床病理特征，良好的分割结果对疾病的预防和治疗具有重要意义。在传统的视网膜分割算法中，fan等人在论文《ahierarchical image matting model forblood vessel segmentation in fundusimages》中提出了一种用于血管分割的分层抠图模型，结合血管的延展性特征，实现了视网膜血管的分割。singh等人在论文《retinalblood vessels segmentation by usinggumbel probability distribution function based matched filter》中提出一种以耿贝尔分布为核心的匹配滤波方法，以提高视网膜血管分割的性能。虽然传统分割算法在特定场景下取得了不错的分割效果，但是无法适应数据集较大的复杂环境，且算法检测效率低。

2、近年来，基于深度学习的自动分割算法引起了很多研究者的关注，例如zhuang在论文《laddernet:multi-path networks based on u-net for medical imagesegmentation》中提出laddernet通过连接两个u-net网络和权重共享的残差块从眼底图中分割出视网膜血管的结构。gu等人的论文《ce-net:context encoder network for 2dmedical image segmentation》在u-net中引入上下文编码器(context encoder)、空洞卷积(dilated convolution)，提出ce-net用于眼底视网膜血管的自动分割。li等人的论文《iternet:retinal image segmentation utilizing structural redundancy invesselnetworks》中在u-net的基础上进行多次迭代后提出iternet，利用视网膜血管网络中的结构冗余进行视网膜图像自动分割。而由于眼底图像和u-net自身的特点，目前对视网膜血管分割存在的问题有：(1)使用u-net对视网膜血管进行分割，易产生过拟合；(2)视网膜血管的结构形态复杂、对比度低，微小信息极容易丢失。

3、因此，本发明提出一种新的基于大核卷积的视网膜血管图像分割方法以克服现有技术缺陷。

技术实现思路

1、本发明的目的是解决现有技术中使用u-net对视网膜血管进行分割，易产生过拟合的问题以及视网膜血管的结构形态复杂、对比度低，微小信息极容易丢失的问题，提供一种基于大核卷积的视网膜血管图像分割方法。

2、本发明的技术方案是：

3、一种基于大核卷积的视网膜血管图像分割方法，包括以下步骤：s1、将视网膜血管图像数据集分为训练集和测试集；s2、对训练集的图像进行预处理后，输入视网膜血管图像分割模型中进行训练，得到训练完成的视网膜血管图像分割模型；训练方法为：通过大核残差卷积提取图像的多尺度特征；再通过级联空间通道注意力模块提取病灶特征；s3、将所述测试集输入到训练完成的所述视网膜血管图像分割模型对视网膜血管图像进行分割，通过图像分割的评价指标对所述视网膜血管图像分割模型效果进行评价。

4、作为一种优选的技术方案，所述步骤s1中所述视网膜血管图像数据集包括drive数据集和chase_db1数据集；所述drive数据集包括40张jpeg彩色眼底图像，其中包括异常病理图像7张；所述chase_db1数据集包括从14名学童的双眼中拍摄的28张视网膜图像。

5、作为一种进一步优选的技术方案，所述drive数据集中每个图像分辨率为584×565像素，包括三个颜色通道，每个颜色通道为8位；所述chase_db1数据集中图像大小为999×960像素。

6、作为另一种进一步优选的技术方案，所述步骤s1中“将视网膜血管图像数据集分为训练集和测试集”具体为分别将所述drive数据集和chase_db1数据集分别分为训练集和测试集；所述drive数据集中训练集和测试集的比例为20:20；所述chase_db1数据集中训练集和测试集的比例为20:8。

7、作为一种优选的技术方案，所述步骤s2中“对训练集图像进行预处理”具体为将训练集图像进行灰度化、标准化、限制对比度自适应直方图均衡化、gamma矫正操作。

8、作为一种优选的技术方案，所述步骤s2中“通过大核残差卷积提取图像的多尺度特征”具体为：通过大核残差卷积模块提取图像的多尺度特征，所述大核残差卷积模块依次包括一个3×3卷积、两个13×13的大核卷积、一个残差连接模块、一个dropblock模块、一个batch norm归一化及一个leaky relu激活函数。

9、作为一种优选的技术方案，所述步骤s2中“通过级联空间通道注意力模块提取病灶特征”具体为：先计算空间注意力，然后利用空间注意力子模块的输出作为通道注意力子模块的输入，最后输出注意力特征图。

10、作为一种进一步优选的技术方案，所述步骤s2中“通过级联空间通道注意力模块提取病灶特征”具体包括以下步骤：s21、使用注意力机制将输入特征依次使用1×1卷积、全局平均池化、1×1卷积、batch norm归一化、relu激活函数、1×1卷积、review操作及softmax激活函数获得特征q1；同时，在空间维度依次使用1×1卷积、2×2卷积、2×2卷积、batch norm归一化、relu激活函数、review操作获得特征q1＇；将特征q1和q1＇逐元素相乘，再经过review操作及sigmoid激活函数处理得到k1，将输入特征与k1做点积得到空间注意力子模块输出v1；s22、将空间注意力子模块的输出v1输入到通道注意力子模块，在通道维度上依次使用1×1卷积、review操作、softmax激活函数获得特征q2；同时在空间维度上依次使用1×1卷积、2×2卷积、2×2卷积、batch norm归一化、relu激活函数、review操作获得特征q2＇；将q2和q2＇逐元素相乘，再经过1×1卷积、layernorm归一化处理得到k2；s23、对v1和k2做点积，得到输出特征。

11、作为一种优选的技术方案，所述步骤s3中“对视网膜血管图像进行分割”具体为：将所述级联空间通道注意力模块输出的特征通过解码器将各层特征进行聚合，将各元素的特征映射到真实标签的特征空间中，最后对眼底视网膜血管图像的每个像素进行预测，得到视网膜血管图像的分割图。

12、作为一种优选的技术方案，所述步骤s3中“通过图像分割的评价指标”包括敏感性、特异性、roc曲线下面积和f1-score；其中：敏感性表示在分割图像的所有血管像素中，分割正确的血管像素比例；特异性表示在分割图像中，正确被预测为背景的像素比例；f1-score用于评估模型分割结果与专家手工分割结果的相似程度；roc曲线下面积用于反映敏感性和特异性之间的关系，评估分割结果的准确性。

13、本发明的一种基于大核卷积的视网膜血管图像分割方法(large kernelresidual u-net,lkr-unet)，通过减少u-net下采样的次数和各卷积层的通道数，在减少模型参数量的情况下缓解过拟合的问题；利用dropblock模块和大核卷积充分提取视网膜血管的低级、高级特征；采用级联空间通道注意力模块使得模型进一步关注视网膜血管的特征，抑制无需关注的特征，从而有效提高视网膜血管图像分割的效果。本发明的一种基于大核卷积的视网膜血管图像分割方法改进了传统u-net的结构，网络结构更加简单，网络退化和过拟合得到了一定程度上的改善，有助于视网膜血管分割模型的训练；同时，本发明的一种基于大核卷积的视网膜血管图像分割方法提出的大核残差卷积和级联空间通道注意力机制，能够较好地提取眼底视网膜血管的多尺度特征、空间和通道特征，有助于深度学习模型学习到视网膜血管的特有特征，提高模型分割的效果。因此，本发明的一种基于大核卷积的视网膜血管图像分割方法具有实现简单、图像分割效果好的优点。