一种用于视网膜血管分割的边缘检测和连通性增强网络

本发明涉及医学图像分割，具体涉及一种用于视网膜血管分割的边缘检测和连通性增强网络。

背景技术：

1、视网膜血管分割在糖尿病视网膜病变、高血压、动脉硬化、心血管疾病和中风等各种心血管和眼科疾病的筛查、诊断、治疗和评估中发挥着重要作用。通过分析视网膜血管的密度和分布，医生可以很好地确定疾病的进展，并为患者提供适当的治疗。在视网膜血管提取的早期阶段，需要专业医生手动注释眼底图像，这通常是一项耗时耗力的任务。由于不同医生的水平和眼底图像的质量，提取的视网膜血管的形态通常不是高度准确的。因此设计一个自动且准确的视网膜分割模型对医疗辅助诊断具有深远意义。

2、在医学图像分割方面，视网膜血管分割技术主要有两种方法：无监督学习和有监督学习。无监督学习方法包括传统的方法，如经典数学形态学、多尺度线性检测、聚类分析(fuzzy c-mean和k-means clustering)、区域迭代增长、尺度空间分析、小波变换、匹配滤波器，高斯混合模型(gmm)等来构建一个简单的分割模型，用于寻找固有的基本特征属性来提取视网膜血管。

3、近年来，与有监督学习方法相比，大量基于无监督学习的视网膜血管分割方法可能需要更多的训练数据和更多的迭代训练才能达到较好的分割效果。与无监督学习方法相比，有监督学习方法具有更好的分割效果和鲁棒性。监督学习主要利用图像的真实标签来训练图像的分类模型。

4、然而，u-net网络中编码器-解码器中的下采样阶段通常使用池化操作也即下采样，以减小特征图的尺寸。池化操作会将特征图的分辨率减小，这意味着在特征图上的每个像素代表了原始图像中一个较大区域的信息。这个过程不可避免的丢失了包含血管空间特征的边缘信息，使得利用该网络进行视网膜血管分割的结果准确度较不理想。

技术实现思路

1、为了解决利用现有的网络进行视网膜血管分割的结果准确度较不理想的技术问题，本发明的目的在于提供一种用于视网膜血管分割的边缘检测和连通性增强网络，所采用的技术方案具体如下：

2、对采集到的视网膜血管的原始图像进行增强处理得到视网膜血管图像；将视网膜血管图像输入分割网络中得到视网膜血管的分割结果；所述分割网络采用u型结构，包括特征编码器、特征解码器、边缘检测模块和连通性增强模块；

3、所述分割网络的构建方法具体包括：

4、特征编码器包括四个下采样层，在每一层下采样后，利用边缘检测模块提取输入图像的边缘信息获得视网膜血管的边缘细化图像；

5、特征解码器通过上采样层获得与输入图像具有相同分辨率的特征映射，将特征编码器通过边缘检测模块跳跃连接至特征解码器的对应部分；特征编码器最后一层通过连通性增强模块连接到特征解码器；

6、根据前三层特征解码器的输出分别与真实标签的比较结果，分别获得前三层中每层的损失，基于所述前三层中每层的损失，获得分割网络的损失函数。

7、优选地，所述利用边缘检测模块提取输入图像的边缘信息获得视网膜血管的边缘细化图像，具体包括：

8、所述边缘检测模块包括先验边缘检测器和多方向特征金字塔；

9、将特征编码器输出的特征图输入先验边缘检测器，先验边缘检测器利用sobel边缘检测算法提取四个方向的视网膜血管的边缘信息，获得视网膜血管的边缘图像；

10、将视网膜血管的边缘图像输入多方向特征金字塔进行边缘特征激励，得到视网膜血管的边缘细化图像。

11、优选地，所述先验边缘检测器利用sobel边缘检测算法提取四个方向的视网膜血管的边缘信息，获得视网膜血管的边缘图像，具体包括：

12、

13、

14、

15、

16、

17、其中，p表示特征编码器的特征图，*为卷积算子，p′为视网膜血管的边缘图像，p0。、p45。、p90。和p135。分别表示利用sobel边缘检测算子在0°、45°、90°和135°方向上提取到的边缘特征图。

18、优选地，所述多方向特征金字塔包括一个1×1卷积、两个大小不同的膨胀卷积和两个大小不同的条带卷积，将多方向特征金字塔的5个卷积特征映射按照通道维度连接在一起，并进行降维处理，经过正则化后获得视网膜血管的边缘细化图像。

19、优选地，所述连通性增强模块的实现方式具体包括：

20、使用不同尺度的卷积核提取特征编码器的输入图像的特征信息得到不同尺度的卷积核对应的特征图，将不同尺度的卷积核对应的特征图进行信息融合得到融合特征图；

21、对于每个空间方向，通过应用不同内核的平均池化操作对融合特征图进行聚合，对每个聚合后的特征图进行坐标编码；将每个空间方向上编码的特征图拼接在一起，通过一个共享的1×1卷积层，并应用非线性激活函数，获得空间信息特征图，将空间信息特征图与特征编码器的输入图像叠加形成残差机制；

22、所述空间方向包括水平方向和垂直方向。

23、优选地，所述将不同尺度的卷积核对应的特征图进行信息融合得到融合特征图具体为：

24、x1234＝concat[x1，x2，x3，x4]

25、其中，x1234为融合特征图，x1、x2、x3和x4分别为不同尺度的卷积核对应的特征图，concat为聚合函数。

26、优选地，所述空间信息特征图的获取方法具体为：

27、zh＝avgpool(x1234,(h,1))

28、zw＝avgpool(x1234,(1,w))

29、f＝δ(f1([zh,zw]))

30、其中，zh表示对每个通道沿着水平方向进行平均池化操作的输出，zw表示对每个通道沿着垂直方向进行平均池化操作的输出，avgpool为平均池化函数，δ为非线性激活函数，f1为1×1卷积，[zh,zw]表示进行特征融合，f表示对[zh,zw]经过共享的1×1卷积和非线性激活函数变换得到的特征映射；

31、ωh＝δ(fh(f(h)))

32、ωw＝δ(fw(f(w)))

33、y1234(i,j)＝x1234(i,j)×ωh(i)×ωw(j)

34、其中，ωh为，ωw为，fh和fw为1×1卷积，f(h)和f(w)为由f分别沿两个空间方向拆分的独立张量，y1234为空间信息特征图，i表示图像中像素位置所在行，j表示图像中像素位置所在列。

35、优选地，所述分割网络的损失函数具体为：

36、

37、

38、其中，losstotle为分割网络的损失函数，αi为第i层的损失权重，li为第i层的损失，表示第i层的真实标签，yi表示第i层的输出，x表示样本，n表示样本的总数。

39、本发明实施例至少具有如下有益效果：

40、本发明中的网络的结构是基于u-net的编码器-解码器架构，通过引入边缘检测模块，有效弥补因连续下采样导致的边缘模糊问题，通过连通性增强模块以及残差跳跃连接等机制，来增强分割血管的连通性，提高模型对交叉、重叠等复杂的血管结构的分割能力，对u-net进行了改进，能够更好地处理视网膜血管的图像分割任务，从而提高复杂的薄血管的分割精度。