本发明涉及医学图像处理以及计算机视觉领域，具体涉及一种基于卷积神经网络的眼底图像血管分割方法。
背景技术：
眼底视网膜微血管网络同人脸、指纹、掌纹等人体特征一样，也具有个体唯一性，每个人的视网膜血管的分布、走向、粗细、曲率等特征都不相同，因此眼底信息可用于生物识别。此外，在人体所有较深层的微血管循环网络中，唯一可以使用无创便直接观察的就是视网膜微血管的网络。通常情况下该血管网络是长期保持不变的，但糖尿病、高血压等心脑血管疾病可导致视网膜微血管网络的结构形态等发生变化。然而，医生在观察眼底图像时，大多根据个人的诊断经验进行定性判断，因此人工诊断眼底图像存在主观性强、准确率低、劳动强度大、诊断效率低等诸多缺点。由此可见，血管分割是决定眼底图像在临床诊断中能否提供可靠信息的关键。目前对于眼底血管分割的算法主要分为：(1)无监督方法，主要包括：血管跟踪法、基于形变模型的方法和匹配滤波法等；(2)有监督方法，主要指机器学习以及深度学习方法。无监督的分割方法不需要先验标记信息，但是对图像质量要求较高，通常需要较多的附加条件，且分割效果略差。有监督的方法主要基于提取的特征分类器已达到识别血管与背景的目的，神经网络模型需要逐层提取图像特征，容易丢失许多有用的信息，导致神经网络不能很好的分割血管图像。
技术实现要素：
为了克服现有技术中的上述缺陷，本发明提出一种基于全卷积神经网络多尺度特征的眼底图像血管分割方法，基于编码-解码结构的全卷积网络，在结构之间添加多种跳过连接，充分融合低层与高层之间不同尺度的特征，使得分割更加精确，同时可以有效缓解反向传播中的梯度消失问题。
本发明解决其技术问题所采用的技术方案是：
一种基于全卷积神经网络多尺度特征的眼底图像血管分割方法，包括以下步骤：
1)首先，对数据库中用于训练的眼底血管图像进行一系列预处理，包括灰度转换、标准化、直方图均衡化和gamma校正；
2)对步骤1)预处理后的图片进行分块处理，进行数据扩充；
3)使用扩充好的样本训练多尺度特征卷积神经网络，得到模型参数；
4)将训练好的卷积神经网络模型对测试图片进行分割，测试图像需要和训练图像一样进行步骤1)、2)的预处理与数据扩充。
进一步，所述步骤3)中实施的网络结构，包括三个部分：一个编码和两个解码部分，编码部分由四个编码卷积块组成，每个卷积块内部结构相同，编码最后一个卷积块的输出通过不同方式与两个解码卷积块的输入分别相连，并且在相应层次中，三个部分通过不同的跳过连接进行连接；一种解码部分由四个结构相同的解码卷积块组成，与编码部分形成跳过连接，由此形成一个对称结构；另外在此对称结构中间加入另一种解码部分，同样由四个卷积块组成，并与之间的对称结构分别通过跳过连接，进行特征融合。
本发明有益效果主要表现在：在少量的数据上通过数据扩充，采用编码-解码网络结构进行图像分割，避免复杂的图像处理过程，其灵敏度、特异性以及准确率等各项评价指标都优于现有技术。
附图说明
图1为本发明采用的网络结构示意图；
图2为视网膜血管图像分割结果示意图；其中，(a)为原始眼底血管图片经过预处理后的图像；(b)为专家手动分割图像；(c)为本发明分割结果图像。
具体实施方式
下面结合示意图对本发明做进一步描述。
参照图1和图2，一种基于全卷积神经网络多尺度特征的眼底图像血管分割方法，包括以下步骤：
1)图像预处理
图像质量的好坏直接影响效果的精度，图像预处理的目的主要是消除图像中无关信息，最大限度简化数据，克服图像干扰。首先对每一幅彩色视网膜图像的r、g、b通道的值根据公式gray＝r*0.299 g*0.587 b*0.114赋予不同的权重，将图像转化为单通道灰度图。然后进行归一化处理，提高图片中血管的对比度和清晰度。最后进行gamma校正来增强图像的对比度。预处理后如图2(a)所示。
2)数据扩充
由于数据集中图片数量很少，而网络本身需要大量的数据来驱动模型的训练，有效的数据扩充一方面可以避免过拟合，另一方面会带来模型性能的提升。本发明提出的扩充方法是对预处理后的每幅图片随机分割成若干个的图像块，其中图像块的大小与数量都可以提前设定，可以使本发明的模型适用于不同大小的眼底图像。
3)模型训练
将处理完毕的图片块作为输入送到神经网络中进行训练，本发明设计的特征多尺度卷积神经网络如图1所示。左边的编码部分由四个编码卷积块组成，每个卷积块包含两次卷积和一次上采样。右边的解码部分由四个解码卷积块构成，每个卷积块由两次卷积和一次反卷积构成。在编码部分结束与解码部分开始之间由两个卷积操作连接，并且在每个相应层次，将编码卷积块的输出直接连接到解码卷积块的输入，形成跳过连接。
此外，在编码部分输出后添加了另外一种解码部分，将编码部分最后一个卷积块的输出进行一次1×1的卷积，使编码卷积块的通道输出映射到新的通道空间，再将其进行一次反卷积，上一层的编码卷积块进行相同的1×1卷积后与其相加，以此类推，这种解码部分也进行了四次。在与编码部分进行1x1卷积连接同时，每个相应层次还通过3×3的卷积与右边的解码部分相连接，因此本发明使用了三种不同类型的跳过连接，使得不同深度的特征通道进行融合，可以提取到更加准确和丰富的血管特征信息。
最后一层卷积后输出的特征图连接一个softmax分类层，将特征图转化为表示每个像素点属于血管还是背景的概率图，使用交叉熵损失函数与随机梯度下降优化函数，在模型训练开始阶段，卷积核内参数可以通过多种方式随机初始化。最终经过迭代训练得到最终可用于血管分割的模型。
4)模型测试
测试使用的图片数据集与训练时进行相同的预处理，并分割成与训练图像相同大小的图像块。将其输入到模型进行分割后，进行二值化得到分割结果。将测试中分割结果与专家手动分割结果进行对比，图2(b)为其中一幅专家手动分割结果图，图2(c)为基于本发明方法的血管分割结果。
1.一种基于全卷积神经网络多尺度特征的眼底图像血管分割方法，其特征在于，所述方法包括以下步骤：
1)对用于训练的眼底图像进行预处理；
2)对于预处理后的图片分割成指定大小的图像块，进行数据扩充；
3)使用扩充好的样本训练多尺度特征卷积神经网络，得到模型参数；
4)将用于测试的图片进行同样的预处理步骤，并分割成与训练图片相同大小，利用训练好的多尺度特征卷积神经网络对测试图片进行分割，得到最终分割结果。
2.根据权利要求1所述的一种基于全卷积神经网络多尺度特征的眼底图像血管分割方法，其特征在于，所述步骤3)中实施的网络结构，包括三个部分：一个编码和两个解码部分，编码部分由四个编码卷积块组成，每个卷积块内部结构相同，编码最后一个卷积块的输出通过不同方式与两个解码卷积块的输入分别相连，并且在相应层次中，三个部分通过不同的跳过连接进行连接；一种解码部分由四个结构相同的解码卷积块组成，与编码部分形成跳过连接，由此形成一个对称结构；另外在此对称结构中间加入另一种解码部分，同样由四个卷积块组成，并与之间的对称结构分别通过跳过连接，进行特征融合。
技术总结