CN106408562B - 基于深度学习的眼底图像视网膜血管分割方法及*** - Google Patents
基于深度学习的眼底图像视网膜血管分割方法及*** Download PDFInfo
- Publication number
- CN106408562B CN106408562B CN201610844032.9A CN201610844032A CN106408562B CN 106408562 B CN106408562 B CN 106408562B CN 201610844032 A CN201610844032 A CN 201610844032A CN 106408562 B CN106408562 B CN 106408562B
- Authority
- CN
- China
- Prior art keywords
- layer
- neural networks
- training
- convolutional neural
- image
- 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
Links
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种基于深度学习的眼底图像视网膜血管分割方法及***,包括:对训练集进行数据扩增,并对图像进行增强,用训练集训练卷积神经网络,先使用卷积神经网络分割模型对图像进行分割得到一个分割结果,用卷积神经网络的特征训练随机森林分类器,从卷积神经网络模型中抽取最后一层卷积层输出,并作为随机森林分类器的输入进行像素分类,得到另外一个分割结果,对两个分割结果进行融合得到最终的分割图像,与传统的血管分割方法相比,本方法用很深的卷积神经网络进行特征提取,提取的特征更加充分,分割的准确率和效率也更高。
Description
技术领域
本发明涉及机器学习和图像处理领域,是针对医学图像语义分割技术的研究,尤其是一种基于深度学习的眼底图像视网膜血管分割方法及***。
背景技术
近年来,随着图像处理技术的发展,图像分割技术开始被应用到眼底图像分割领域,目前国内外有很多研究人员提出了各种各样的眼底图像视网膜血管分割算法,主要分为以下几个方向:基于血管跟踪的方法、基于匹配滤波的方法、基于形变模型的方法和基于机器学习的方法。
基于匹配滤波的方法是将滤波器与图像进行卷积来提取目标对象,由于视网膜血管剖面的灰度符合高斯特性,因此可以通过计算图像滤波后的最大响应值来进行血管分割。经典的匹配滤波方法是根据血管特征基本符合高斯分布的特点,将视网膜血管与高斯分布函数进行不同方向的匹配滤波,然后对响应结果进行阈值化,选取响应最大的匹配滤波结果作为血管输出,最终提取出视网膜血管图像。该方法计算量较大,而且视网膜中病变部位的特征与血管特征相似,因此会造成检测错误。
基于形变模型的方法思路很直观,是通过用曲线来描绘出血管的边界,边界曲线通过能量函数的参数来定义,边界曲线在边界两侧的能量变化的影响下发生形变,因此血管分割变成了使能量函数最小化。蛇形模型是一种经典的参数形变模型,蛇形模型时一种能量极小化的样条,图像能量的内力会影响模型的形状并将其拖向图像的显著特征的边界,研究人员将蛇形模型应用到从核磁共振图像中提取关节软骨和合成孔径雷达中检测海岸线等领域。也有研究人员使用蛇形模型来进行眼底图像中的视网膜血管分割,并对其进行了改进,使用了形态学操作来进行优化和调整了能量最小参数。
基于机器学习的方法是指通过机器学习算法来进行血管分割。该方法的优点是能够自动分割并且准确率较高。基于监督学习的机器学习算法对血管分割有着较高的准确率。该方法主要流程是数据预处理、特征选择和提取和图像分割。该方法的主要难点在于特征提取和图像分割,对于机器学习方法来说,特征工程非常重要,传统的方法主要采用Gabor滤波等方法,提取特征有限,近年来随着深度学习的发展,用深度学习进行图像的特征提取有着很好的效果,也有人尝试用深度学习来进行血管分割。
发明内容
本发明的目的是针对上述现有技术的不足,提供了一种基于深度学习的眼底图像视网膜血管分割方法和基于该方法的***,该方法对眼底图像进行语义分割,通过分类器对每个像素点进行二分类,确定该像素点是属于血管还是非血管,从而完成对整张图像的分割,主要是通过深度学习中的卷积神经网络进行视网膜血管分割,再使用卷积神经网络提取的图像特征训练一个随机森林分类器进行视网膜血管分割,最后将二者的分割结果进行融合得到最终的血管分割结果。
本发明的目的可以通过如下技术方案实现:
基于深度学习的眼底图像视网膜血管分割方法,所述方法包括以下步骤:
步骤1:对数据集中的眼底图像进行预处理,该步骤主要包括如下步骤:
步骤1-1:将数据集中的眼底图像分成训练样本和测试样本。对训练样本的眼底图像和对应的图像标签分别进行左右对称和180度旋转,使一张眼底图像变为4张,完成对眼底图像训练集进行数据集扩增;
步骤1-2:对训练样本和测试样本的眼底图像进行增强,首先将图像转化为RGB类型的图像,单独抽取G通道的图像进行中值滤波和直方图均衡化,所述中值滤波为对每个像素,选取一个模板,该模板为其邻近的3*3个像素组成,对模板的像素进行从大到小的排序,然后用模板的中值来替换原像素的值,对G通道的图像进行中值滤波后,再对G通道的图像进行直方图均衡化,所述直方图均衡化的流程如下:
a):求出G通道图像的直方图;
b):根据a)得到的G通道图像的直方图求出灰度值变化表;
c):根据b)中得到的灰度值变化表对每个像素的灰度值进行查表变换操作,即对每个像素的灰度值进行均衡化;
在完成对G通道图像的直方图均衡化后,用G通道图像的灰度值替换R通道和B通道的灰度值;
步骤1-3:在完成步骤1-2的图像增强操作后,对眼底图像RGB三个通道的像素分别进行Z-score归一化:
其中,xi表示归一化前的第i个像素点的值,表示归一化后的第i个像素点的值,μ表示该通道像素的均值,σ表示该通道像素的标准差,整个流程是先减去均值μ再除以标准差σ,最终归一化到均值为0和方差为1。
步骤2:用训练样本训练卷积神经网络,所述卷积神经网络包括三个部分:编码网络、解码网络和softmax分类器,所述编码网络的输入为RGB三通道眼底图像,包括16个卷积层和5个max-pooling层,每层参数如下表:
每层类型 | 大小 | 卷积核数目 | Pad | 步长(stride) |
卷积层 | 3×3 | 64 | 1 | 1 |
卷积层 | 3×3 | 64 | 1 | 1 |
max-pooling | 2×2 | 无 | 0 | 2 |
卷积层 | 3×3 | 128 | 1 | 1 |
卷积层 | 3×3 | 128 | 1 | 1 |
max-pooling | 2×2 | 无 | 0 | 2 |
卷积层 | 3×3 | 128 | 1 | 1 |
卷积层 | 3×3 | 256 | 1 | 1 |
卷积层 | 3×3 | 256 | 1 | 1 |
卷积层 | 3×3 | 256 | 1 | 1 |
max-pooling | 2×2 | 无 | 0 | 2 |
卷积层 | 3×3 | 256 | 1 | 1 |
卷积层 | 3×3 | 512 | 1 | 1 |
卷积层 | 3×3 | 512 | 1 | 1 |
卷积层 | 3×3 | 512 | 1 | 1 |
max-pooling | 2×2 | 无 | 0 | 2 |
卷积层 | 3×3 | 512 | 1 | 1 |
卷积层 | 3×3 | 512 | 1 | 1 |
卷积层 | 3×3 | 512 | 1 | 1 |
卷积层 | 3×3 | 512 | 1 | 1 |
max-pooling | 2×2 | 无 | 0 | 2 |
所述编码网络通过对眼底图像进行多次卷积和max-pooling之后,得到包含图像特征的feature map,所述解码网络再对feature map进行卷积和上采样,在编码网络中,每一层的max pooling记录下每个2×2pooling块的最大值的位置,编码网络中的每个max-pooling层有一个解码网络中的上采样层与之对应,所述上采样的操作是将feature map中的值放入对应的max pooling层中记录的最大值的位置,再将其它位置的值设为0,每次上采样后feature map的大小都会增大两倍,解码网络包括16个卷积层和5个上采样层,每个卷积层与编码网络中的卷积层相对应,各层配置如下表:
编码网络和解码网络中的所有卷积层卷积后的结果先进行批量归一化,再用修正线性函数作为激活函数进行输出,批量归一化在卷积神经网络每次随机梯度下降时,首选对卷积后输出的数据进行归一化操作,使得结果的均值为0,方差为1,然后再对参数进行训练,流程如下:
a):输入为卷积输出的m个数据:B={x1,…,xm},要学习的参数γ、β,输出为其中xi表示卷积输出的数据,表示归一化后的数据,yi表示批量归一化最终的输出;
b):先计算均值μB和方差δ2 B,再对参数进行训练:
其中,∈是为防止分母为0而设置的一个趋于极限小的值;
c):参数γ、β在整个网络反向传播的过程中与卷积神经网络参数同时进行训练;
修正线性函数的公式为:
其中,x表示函数的输入,f(x)表示函数的输出;
编码网络通过对feature map进行多次卷积和上采样层后,获得和输入图像尺寸相同的64个feature map,即每个像素点有64维特征,然后用这些特征训练softmax分类器,将眼底图像的每个像素点分为0、1两个类别,0代表该像素点属于非血管,1代表该像素属于血管,softmax分类器在二分类的情况下与逻辑斯蒂回归相同,公式为:
其中,e为自然底数,ω为x的权值向量,x表示像素的特征向量,P(y=1|x;ω)表示x等于1的概率,P(y=0|x;ω)表示x等于0的概率;
对应的决策函数为:
其中,y表示输出的类别;
整个卷积神经网络包括编码网络、解码网络和softmax分类器三部分,使用随机梯度下降法进行训练,使用反向传播算法来优化网络中的参数,用J(W,b)表示带L2范数的整体代价函数,则J(W,b)可表示为:
其中,x(i)表示输入的第i个训练样本,hW,b(x(i))表示网络的预测类别,y(i)表示样本的真实类别,λ为权重衰减系数,W表示网络的参数,所述反向传播算法更新参数的方法如下:
1):首先进行前向传播,计算所有层的激活值;
2):对输出层,定义为第nl层,计算敏感值
其中,y为样本真实值,为输出层的预测值,表示输出层参数的偏导数;
3):对于l=nl-1,nl-2,…2的各层,计算敏感值
其中,W(l)表示第l层的参数,δ(l+1)表示第l+1层的敏感值,f'(z(l))表示第l层的偏导数;
4):更新每层的参数:
W(l)=W(l)-αδ(l+1)(a(l))T
b(l)=b(l)-αδ(l+1)
其中,W(l)和b(l)分别表示l层的参数,α表示学习速率,a(l)表示第l层的输出值,δ(l+1)表示l+1层的敏感值;
训练过程采用以上方法,从而使整个卷积神经网络收敛到满足误差要求。
步骤3:从步骤2里训练好的卷积神经网络中提取最后一层卷积输出特征训练随机森林分类器,包括如下内容:在步骤2中的卷积神经网络训练完成后,将卷积神经网络最后一层卷积层输出的每个眼底图像对应的64个feature map抽取出来作为训练样本,则每个像素点有64维特征,用这些样本特征训练一个随机森林分类器。
步骤4:将卷积神经网络对像素的分类结果与随机森林分类器的分类结果进行融合,当两个分类结果至少有一个为血管类别时,该像素的分类结果为血管,若两个分类器对像素的分类结果均为非血管,则该像素的分类结果为非血管类别。
步骤5:利用训练好的卷积神经网络模型与随机森林分类器对测试样本进行分割,得到最终的分割结果。
本发明的另一目的可以通过如下技术方案实现:
基于深度学习的眼底图像视网膜血管分割方法的***,所述***包括:预处理模块、训练卷积神经网络模块、训练随机森林模块和图像分割模块,***各个模块之间的连接关系为:预处理模块输出的数据作为训练卷积神经网络模块和图像分割模块的输入,训练卷积神经网络模块在完成卷积神经网络的训练后,其卷积神经网络最后一层的输出作为训练随机森林模块的输入,训练卷积神经网络模块和训练随机森林模块输出的模型作为图像分割模块的输入。
优选地,所述预处理模块用于对数据集进行预处理,对图像进行数据集扩增、中值滤波、直方图均衡化和归一化处理,所述预处理模块包括训练数据集扩增单元、数据集眼底图像增强单元和眼底图像归一化单元。
优选地,所述训练卷积神经网络模块用训练集的眼底图像对卷积神经网络进行训练,最终获得最优的卷积神经网络。
优选地,所述训练随机森林模块用训练卷积神经网络模块中训练好的卷积神经网络对训练图像进行分割,将其最后一层卷积层输出作为训练样本训练随机森林分类器。
优选地,所述图像分割模块包括:预处理调用单元,用于调用预处理模块对一个待分割的眼底图像进行预处理,并得到相应的结果;卷积神经网络调用单元,用于调用训练卷积神经网络模块中训练好的卷积神经网络对预处理后的眼底图像进行分割,得到一个分割结果;随机森林分类器调用单元,用于调用训练随机森林模块对眼底图像的每个像素进行分类,判断像素属于血管还是非血管,得到一个分割结果;分割融合单元,用于将卷积神经网络调用单元和随机森林分类器调用单元的分割结果进行融合,得到最终的眼底图像分割结果。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明采用了42层的卷积神经网络,比以前的基于深度学习的分割方法有着更多的层数,能够提取到更深层次的特征,有利于后面分类器的像素分类,提高分割的准确率。
2.本发明对卷积层使用批量归一化并采用修正线性函数作为激活函数,可以有效地避免训练时出现梯度消失和梯度***问题,能够加快模型收敛速度,缩短训练时间。
3.本发明对卷积神经网络提取的特征训练了两个分类器并且最后融合两者的分割结果,有利于提高小血管的分割准确率,最终提高整张图像的分割准确率。
附图说明
图1为本发明的卷积神经网络的架构图。
图2为本发明的卷积神经网络编码网络每层的参数图。
图3为本发明的卷积神经网络解码网络每层的参数图。
图4为本发明方法的整体训练和测试的流程图。
图5为本发明实施在20张测试图像上的测试结果图。
图6(a)、图6(b)为本发明实施在一张图像上的增强后的眼底图像和模型分割结果图。
图7为本发明***模块的结构图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例:
本发明的基于深度学习的眼底图像视网膜血管分割方法如图4所示,包括以下步骤:
步骤1:对数据集中的眼底图像进行预处理;
步骤2:用训练样本训练卷积神经网络;
步骤3:从训练好的卷积神经网络中提取最后一层卷积输出特征训练随机森林分类器;
步骤4:将卷积神经网络对像素的分类结果与随机森林分类器的结果进行融合;
步骤5:利用训练好的卷积神经网络模型与随机森林分类器对测试样本进行分割,得到最终分割结果。
具体地,步骤1中对数据集中的眼底图像进行预处理,将数据集中的眼底图像分成训练样本和测试样本。眼底图像原图中血管与非血管颜色较为接近,血管不够突出,因此需要对其进行预处理。对于深度学习来说,训练集的数量很重要,一般来说,训练样本越多,训练出来的模型泛化能力也就越强,因此本发明首先对眼底图像训练集进行数据集扩增,方法为对眼底图像和对应的图像标签分别进行左右对称和180度旋转,这样一张眼底图像可以变成4张,然后对训练集和测试集的眼底图像进行增强,首先将图像转化为RGB类型的图像,然后单独抽取G通道的图像进行中值滤波和直方图均衡化,中值滤波的方法为对于每个像素,选取一个模板,该模板为其邻近的3*3个像素组成,对模板的像素进行从大到小的排序,然后用模板的中值来替换原像素的值,在对G通道的图像进行中值滤波后,再对G通道图像进行直方图均衡化,流程如下:
a):求出G通道图像的直方图;
b):根据直方图求出灰度值变化表;
c):根据b)中得到的灰度值变化表对每个像素的灰度值进行查表变换操作,即对每个灰度值进行均衡化。在完成对G通道图像的直方图均衡化后,用G通道图像的灰度值替换到R通道和B通道的灰度值;
在完成图像增强操作后,对眼底图像RGB三个通道的像素值分别进行Z-score归一化:
其中,xi表示归一化前的第i个像素点的值,表示归一化后的第i个像素点的值,μ表示该通道像素的均值,σ表示该通道像素的标准差,整个流程是先减去均值μ再除以标准差σ,最终归一化到均值为0和方差为1,归一化是为了防止图像亮度对模型造成影响。
具体地,步骤2中,用训练样本训练卷积神经网络,卷积神经网络架构如图1所示,编码网络卷积层和max-pooling层的配置如图2所示,解码网络卷积层和上采样层如图3所示,用步骤1预处理后的训练集对卷积神经网络进行训练,编码网络通过对眼底图像进行多次卷积和max-pooling之后,得到了包含图像特征的feature map,解码网络通过对featuremap进行卷积和上采样,在编码网络中,每一层的max-pooling都会记录下每个2×2pooling块的最大值的位置,编码网络中每个max-pooling层都会有一个解码网络中的上采样层与之对应,上采样的操作将feature map中的值放入对应的max-pooling层中记录的最大值的位置,然后将其它的位置的值设为0,每次上采样后feature map的大小都会增大2倍,编码网络包括16个卷积层和5个上采样层,每个卷积层对与编码网络中的卷积层相对应,编码网络和解码网络中的所有卷积层卷积后的结果先进行批量归一化(Batch normalization),然后再用修正线性函数(ReLU)作为激活函数进行输出,批量归一化在卷积神经网络每次随机梯度下降时,首选对卷积的输出进行规范化操作,使得结果的均值为0,方差为1,然后再对参数进行训练,流程如下:
a):输入为卷积输出的m个数据:B={x1,…,xm},要学习的参数γ、β,输出为其中xi表示卷积输出的数据,表示归一化后的数据,yi表示批量归一化最终的输出;
b):先计算均值μB和方差δ2 B,再对参数进行训练:
其中,∈是为防止分母为0而设置的一个趋于极限小的值;
c):参数γ、β在整个网络反向传播的过程中与卷积神经网络参数同时进行训练;
修正线性函数的公式为:
其中,x表示函数的输入,f(x)表示函数的输出;
编码网络通过对feature map进行多次卷积和上采样层后,获得和输入图像尺寸相同的64个feature map,即每个像素点有64维特征,然后用这些特征训练softmax分类器,将眼底图像的每个像素点分为0、1两个类别,0代表该像素点属于非血管,1代表该像素属于血管,softmax分类器在二分类的情况下与逻辑斯蒂回归相同,公式为:
其中,e为自然底数,ω为x的权值向量,x表示像素的特征向量,P(y=1|x;ω)表示x等于1的概率,P(y=0|x;ω)表示x等于0的概率;
对应的决策函数为:
其中,y表示输出的类别;
整个卷积神经网络包括编码网络、解码网络和softmax分类器三部分,使用随机梯度下降法进行训练,使用反向传播算法来优化网络中的参数,用J(W,b)表示带L2范数的整体代价函数,则J(W,b)可表示为:
其中x(i)表示输入的第i个训练样本,hW,b(x(i))表示网络的预测类别,y(i)表示样本的真实类别,λ为权重衰减系数,W表示网络的参数,所述反向传播算法更新参数的方法如下:
1):首先进行前向传播,计算所有层的激活值;
2):对输出层,定义为第nl层,计算敏感值
其中,y为样本真实值,为输出层的预测值,表示输出层参数的偏导数;
3):对于l=nl-1,nl-2,…2的各层,计算敏感值
其中,W(l)表示第l层的参数,δ(l+1)表示第l+1层的敏感值,f'(z(l))表示第l层的偏导数;
4):更新每层的参数:
W(l)=W(l)-αδ(l+1)(a(l))T
b(l)=b(l)-αδ(l+1)
其中,W(l)和b(l)分别表示l层的参数,α表示学习速率,a(l)表示第l层的输出值,δ(l+1)表示l+1层的敏感值;
训练过程采用以上方法,从而使整个卷积神经网络收敛到满足误差要求。
具体地,步骤3的主要流程如下:在卷积神经网络训练完成后,将卷积神经网络最后一层卷积层输出的每个眼底图像对应的64个feature map抽取出来作为训练样本,则每个像素点有64维特征,用这些样本特征训练一个随机森林分类器。
具体地,步骤4的主要内容如下:将卷积神经网络对像素的分类结果与随机森林分类器的结果进行融合,融合方式为当两个分类器的对像素的分类结果至少有一个为血管类别时,该像素的分类结果为血管,若两个分类器对像素的分类结果均为非血管,则该像素的分类结果为非血管类别。
如图4所示,在完成前4个步骤的模型训练后,就可以进行步骤5,对需要测试的眼底图像进行分割了。对测试图像进行预处理,然后先使用卷积神经网络分割模型对图像进行分割得到一个分割结果1,再从卷积神经网络模型中抽取最后一层卷积层输出,并作为随机森林分类器的输入进行像素分类,得到分割结果2,然后将两个分割结果融合,得到最终的分割结果。整个过程不仅完全自动化,而且分割速度快。
本实施例选择使用网上公开的数据集进行方法测试,测试平台为Ubuntu14.04,CPU为i7-6700K,GPU为Titan X,显存为12GB,实验选用20张眼底图像作为训练集,20张图像作为测试集,使用随机梯度下降法进行训练,经过多次参数调节后,最终结果如图5所示,20张图像平均灵敏度为82.95%,平均准确率为94.14%,示例分割结果如图6(a)、图6(b)所示,可以看到本发明所提出的方法分割的灵敏度和准确率都很高,并且本发明模型训练完成后整个分割过程完全自动化,分割一张图像的时间在100毫秒以内,速度很快,具有很强的实用性。
本发明还提出了一种基于深度学习的眼底图像视网膜血管分割方法的***,如图7所示,所述***包括:预处理模块、训练卷积神经网络模块、训练随机森林模块和图像分割模块。***各个模块之间的连接关系为:预处理模块输出的数据作为训练卷积神经网络模块和图像分割模块的输入,训练卷积神经网络模块在完成卷积神经网络的训练后,其卷积神经网络最后一层的输出作为训练随机森林模块的输入,训练卷积神经网络模块和训练随机森林模块输出的模型作为图像分割模块的输入。
所述预处理模块用于对数据集进行预处理,对图像进行数据集扩增、中值滤波、直方图均衡化和归一化处理,所述预处理模块包括训练数据集扩增单元、数据集眼底图像增强单元和眼底图像归一化单元。
所述训练卷积神经网络模块用训练集的眼底图像对卷积神经网络进行训练,最终获得最优的卷积神经网络。
所述训练随机森林模块用训练卷积神经网络模块中训练好的卷积神经网络对训练图像进行分割,将其最后一层卷积层输出作为训练样本训练随机森林分类器。
所述图像分割模块包括:预处理调用单元,用于调用预处理模块对一个待分割的眼底图像进行预处理,并得到相应的结果;卷积神经网络调用单元,用于调用训练卷积神经网络模块中训练好的卷积神经网络对预处理后的眼底图像进行分割,得到一个分割结果;随机森林分类器调用单元,用于调用训练随机森林模块对眼底图像的每个像素进行分类,判断像素属于血管还是非血管,得到一个分割结果;分割融合单元,用于将卷积神经网络调用单元和随机森林分类器调用单元的分割结果进行融合,得到最终的眼底图像分割结果。
以上所述,仅为本发明专利较佳的实施例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明专利构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (9)
1.基于深度学习的眼底图像视网膜血管分割方法,其特征在于:所述方法包括以下步骤:
步骤1:对数据集中的眼底图像进行预处理;
步骤2:用训练样本训练卷积神经网络;
所述卷积神经网络包括三个部分:编码网络、解码网络和softmax分类器,所述编码网络的输入为RGB三通道眼底图像,包括16个卷积层和5个max-pooling层,每层参数如下表:
所述编码网络通过对眼底图像进行多次卷积和max-pooling之后,得到包含图像特征的feature map,所述解码网络再对feature map进行卷积和上采样,在编码网络中,每一层的max pooling记录下每个2×2pooling块的最大值的位置,编码网络中的每个max-pooling层有一个解码网络中的上采样层与之对应,所述上采样的操作是将feature map中的值放入对应的max pooling层中记录的最大值的位置,再将其它位置的值设为0,每次上采样后feature map的大小都会增大两倍,解码网络包括16个卷积层和5个上采样层,每个卷积层与编码网络中的卷积层相对应,各层配置如下表:
编码网络和解码网络中的所有卷积层卷积后的结果先进行批量归一化,再用修正线性函数作为激活函数进行输出,批量归一化在卷积神经网络每次随机梯度下降时,首选对卷积后输出的数据进行归一化操作,使得输出数据的均值为0,方差为1,然后再对参数进行训练,流程如下:
a):输入为卷积输出的m个数据:B={x1,…,xm},要学习的参数γ、β,输出为其中xi表示卷积输出的数据,表示归一化后的数据,yi表示批量归一化最终的输出;
b):先计算均值μB和方差δ2 B,再对参数进行训练:
其中,∈是为防止分母为0而设置的一个趋于极限小的值;
c):参数γ、β在整个网络反向传播的过程中与卷积神经网络参数同时进行训练;
修正线性函数的公式为:
其中,x表示函数的输入,f(x)表示函数的输出;
编码网络通过对feature map进行多次卷积和上采样层后,获得和输入图像尺寸相同的64个feature map,即每个像素点有64维特征,然后用这些特征训练softmax分类器,将眼底图像的每个像素点分为0、1两个类别,0代表该像素点属于非血管,1代表该像素属于血管,softmax分类器在二分类的情况下与逻辑斯蒂回归相同,公式为:
其中,e为自然底数,ω为x的权值向量,x表示像素的特征向量,P(y=1|x;ω)表示x等于1的概率,P(y=0|x;ω)表示x等于0的概率;
对应的决策函数为:
其中,y表示输出的类别;
整个卷积神经网络包括编码网络、解码网络和softmax分类器三部分,使用随机梯度下降法进行训练,使用反向传播算法来优化网络中的参数,用J(W,b)表示带L2范数的整体代价函数,则J(W,b)可表示为:
其中x(i)表示输入的第i个训练样本,hW,b(x(i))表示网络的预测类别,y(i)表示样本的真实类别,λ为权重衰减系数,W表示网络的参数,所述反向传播算法更新参数的方法如下:
1):首先进行前向传播,计算所有层的激活值;
2):对输出层,定义为第nl层,计算敏感值
其中,y为样本真实值,为输出层的预测值,表示输出层参数的偏导数;
3):对于l=nl-1,nl-2,…2的各层,计算敏感值
其中,W(l)表示第l层的参数,δ(l+1)表示第l+1层的敏感值,f'(z(l))表示第l层的偏导数;
4):更新每层的参数:
W(l)=W(l)-αδ(l+1)(a(l))T
b(l)=b(l)-αδ(l+1)
其中,W(l)和b(l)分别表示l层的参数,α表示学习速率,a(l)表示第l层的输出值,δ(l+1)表示l+1层的敏感值;
训练过程采用以上方法,从而使整个卷积神经网络收敛到满足误差要求;
步骤3:从训练好的卷积神经网络中提取最后一层卷积输出特征训练随机森林分类器;
步骤4:将卷积神经网络对像素的分类结果与随机森林分类器的分类结果进行融合;
步骤5:利用训练好的卷积神经网络模型与随机森林分类器对测试样本进行分割,得到最终分割结果。
2.根据权利要求1所述的基于深度学习的眼底图像视网膜血管分割方法,其特征在于:所述步骤1包括如下步骤:
步骤1-1:将数据集中的眼底图像分成训练样本和测试样本,对训练样本的眼底图像和对应的图像标签分别进行左右对称和180度旋转,使一张眼底图像变为4张,完成对眼底图像训练样本的数据扩增;
步骤1-2:对训练样本和测试样本的眼底图像进行增强,首先将图像转化为RGB类型的图像,单独抽取G通道的图像进行中值滤波和直方图均衡化,所述中值滤波为对每个像素,选取一个模板,该模板为其邻近的3*3个像素组成,对模板的像素进行从大到小的排序,然后用模板的中值来替换原像素的值,对G通道的图像进行中值滤波后,再对G通道的图像进行直方图均衡化,所述直方图均衡化的流程如下:
a):求出G通道图像的直方图;
b):根据a)得到的G通道图像的直方图求出灰度值变化表;
c):根据b)中得到的灰度值变化表对每个像素的灰度值进行查表变换操作,即对每个像素的灰度值进行均衡化;
在完成对G通道图像的直方图均衡化后,用G通道图像的灰度值替换R通道和B通道的灰度值;
步骤1-3:在完成步骤1-2的图像增强操作后,对眼底图像RGB三个通道的像素分别进行Z-score归一化:
其中,xi表示归一化前的第i个像素点的值,表示归一化后的第i个像素点的值,μ表示该通道像素的均值,σ表示该通道像素的标准差,整个流程是先减去均值μ再除以标准差σ,最终归一化到均值为0和方差为1。
3.根据权利要求1所述的基于深度学习的眼底图像视网膜血管分割方法,其特征在于:步骤3包括如下内容:在步骤2中的卷积神经网络训练完成后,将卷积神经网络最后一层卷积层输出的每个眼底图像对应的64个feature map抽取出来作为训练样本,则每个像素点有64维特征,用这些样本特征训练一个随机森林分类器。
4.根据权利要求1所述的基于深度学习的眼底图像视网膜血管分割方法,其特征在于:步骤4将卷积神经网络对像素的分类结果与随机森林分类器的分类结果进行融合的方法为:当两个分类结果至少有一个为血管类别时,该像素的分类结果为血管,若两个分类器对像素的分类结果均为非血管,则该像素的分类结果为非血管类别。
5.基于权利要求1所述的基于深度学习的眼底图像视网膜血管分割方法的***,其特征在于:所述***包括:预处理模块、训练卷积神经网络模块、训练随机森林模块和图像分割模块,所述预处理模块输出的数据作为训练卷积神经网络模块和图像分割模块的输入,所述训练卷积神经网络模块在完成卷积神经网络的训练后,其卷积神经网络最后一层的输出作为训练随机森林模块的输入,所述训练卷积神经网络模块和所述训练随机森林模块输出的模型作为图像分割模块的输入。
6.根据权利要求5所述的基于深度学习的眼底图像视网膜血管分割方法的***,其特征在于:所述预处理模块用于对数据集进行预处理,对图像进行数据集扩增、中值滤波、直方图均衡化和归一化处理,所述预处理模块包括训练数据集扩增单元、数据集眼底图像增强单元和眼底图像归一化单元。
7.根据权利要求5所述的基于深度学习的眼底图像视网膜血管分割方法的***,其特征在于:所述训练卷积神经网络模块用训练集的眼底图像对卷积神经网络进行训练,最终获得最优的卷积神经网络。
8.根据权利要求5所述的基于深度学习的眼底图像视网膜血管分割方法的***,其特征在于:所述训练随机森林模块用训练卷积神经网络模块中训练好的卷积神经网络对训练图像进行分割,将其最后一层卷积层输出作为训练样本训练随机森林分类器。
9.根据权利要求5所述的基于深度学习的眼底图像视网膜血管分割方法的***,其特征在于:所述图像分割模块包括:预处理调用单元,用于调用预处理模块对一个待分割的眼底图像进行预处理,并得到相应的结果;卷积神经网络调用单元,用于调用训练卷积神经网络模块中训练好的卷积神经网络对预处理后的眼底图像进行分割,得到一个分割结果;随机森林分类器调用单元,用于调用训练随机森林模块对眼底图像的每个像素进行分类,判断像素属于血管还是非血管,得到一个分割结果;分割融合单元,用于将卷积神经网络调用单元和随机森林分类器调用单元的分割结果进行融合,得到最终的眼底图像分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610844032.9A CN106408562B (zh) | 2016-09-22 | 2016-09-22 | 基于深度学习的眼底图像视网膜血管分割方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610844032.9A CN106408562B (zh) | 2016-09-22 | 2016-09-22 | 基于深度学习的眼底图像视网膜血管分割方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106408562A CN106408562A (zh) | 2017-02-15 |
CN106408562B true CN106408562B (zh) | 2019-04-09 |
Family
ID=57996852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610844032.9A Active CN106408562B (zh) | 2016-09-22 | 2016-09-22 | 基于深度学习的眼底图像视网膜血管分割方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106408562B (zh) |
Families Citing this family (153)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991666B (zh) * | 2017-02-24 | 2019-06-07 | 中国科学院合肥物质科学研究院 | 一种适用于多尺寸图片信息的病害图像识别方法 |
CN108573491A (zh) * | 2017-03-10 | 2018-09-25 | 南京大学 | 一种基于机器学习的三维超声图像分割方法 |
CN106874964B (zh) * | 2017-03-30 | 2023-11-03 | 李文谦 | 一种基于改进型卷积神经网络的脚型图像尺码自动预测方法及预测装置 |
CN107423571B (zh) * | 2017-05-04 | 2018-07-06 | 深圳硅基仿生科技有限公司 | 基于眼底图像的糖尿病视网膜病变识别*** |
CN108771530B (zh) * | 2017-05-04 | 2021-03-30 | 深圳硅基智能科技有限公司 | 基于深度神经网络的眼底病变筛查*** |
CN107256410B (zh) * | 2017-05-26 | 2021-05-14 | 上海鹰瞳医疗科技有限公司 | 眼底图像分类方法及装置 |
CN107256550A (zh) * | 2017-06-06 | 2017-10-17 | 电子科技大学 | 一种基于高效cnn‑crf网络的视网膜图像分割方法 |
GB201709248D0 (en) * | 2017-06-09 | 2017-07-26 | Univ Surrey | Method and apparatus for processing retinal images |
CN109034384B (zh) * | 2017-06-12 | 2021-06-22 | 浙江宇视科技有限公司 | 一种数据处理方法和装置 |
CN107229937A (zh) * | 2017-06-13 | 2017-10-03 | 瑞达昇科技(大连)有限公司 | 一种视网膜血管分类方法及装置 |
CN107292887B (zh) * | 2017-06-20 | 2020-07-03 | 电子科技大学 | 一种基于深度学习自适应权重的视网膜血管分割方法 |
CN107330900A (zh) * | 2017-06-22 | 2017-11-07 | 成都品果科技有限公司 | 一种自动人像分割方法 |
US11200707B2 (en) * | 2017-07-28 | 2021-12-14 | National University Of Singapore | Method of modifying a retina fundus image for a deep learning model |
CN111033520B (zh) * | 2017-08-21 | 2024-03-19 | 诺基亚技术有限公司 | 用于模式识别的方法、***及装置 |
CN107644418B (zh) * | 2017-09-26 | 2019-11-08 | 山东大学 | 基于卷积神经网络的视盘检测方法及*** |
CN107622498B (zh) * | 2017-09-29 | 2021-06-04 | 北京奇虎科技有限公司 | 基于场景分割的图像穿越处理方法、装置及计算设备 |
CN107704886A (zh) * | 2017-10-20 | 2018-02-16 | 北京工业大学 | 一种基于深度卷积神经网络的医疗图像分级***和方法 |
WO2019083129A1 (ko) * | 2017-10-27 | 2019-05-02 | 주식회사 뷰노 | 피검체에 대한 안저 영상의 판독을 지원하는 방법 및 이를 이용한 장치 |
CN110348428B (zh) * | 2017-11-01 | 2023-03-24 | 腾讯科技(深圳)有限公司 | 眼底图像分类方法、装置及计算机可读存储介质 |
CN109753978B (zh) * | 2017-11-01 | 2023-02-17 | 腾讯科技(深圳)有限公司 | 图像分类方法、装置以及计算机可读存储介质 |
CN107832700A (zh) * | 2017-11-03 | 2018-03-23 | 全悉科技(北京)有限公司 | 一种人脸识别方法与*** |
EP3493154A1 (en) * | 2017-12-01 | 2019-06-05 | Koninklijke Philips N.V. | Segmentation system for segmenting an object in an image |
CN108304765B (zh) * | 2017-12-11 | 2020-08-11 | 中国科学院自动化研究所 | 用于人脸关键点定位与语义分割的多任务检测装置 |
CN107945870B (zh) * | 2017-12-13 | 2020-09-01 | 四川大学 | 基于深度神经网络的早产儿视网膜病变检测方法及装置 |
CN108010031B (zh) * | 2017-12-15 | 2020-12-04 | 厦门美图之家科技有限公司 | 一种人像分割方法及移动终端 |
CN109934242A (zh) * | 2017-12-15 | 2019-06-25 | 北京京东尚科信息技术有限公司 | 图片识别方法和装置 |
CN108122236B (zh) * | 2017-12-18 | 2020-07-31 | 上海交通大学 | 基于距离调制损失的迭代式眼底图像血管分割方法 |
RU2769888C2 (ru) * | 2017-12-21 | 2022-04-07 | ТИЛИТЕР ПиТиУай ЛТД | Система идентификации свежих продуктов для кассового терминала розничной торговли |
EP3503038A1 (en) * | 2017-12-22 | 2019-06-26 | Promaton Holding B.V. | Automated 3d root shape prediction using deep learning methods |
CN108109152A (zh) * | 2018-01-03 | 2018-06-01 | 深圳北航新兴产业技术研究院 | 医学图像分类和分割方法和装置 |
CN108230311A (zh) * | 2018-01-03 | 2018-06-29 | 四川大学 | 一种乳腺癌检测方法及装置 |
CN108229580B (zh) * | 2018-01-26 | 2020-12-11 | 浙江大学 | 一种基于注意力机制及特征融合的眼底图中糖网特征分级装置 |
CN108304889A (zh) * | 2018-03-05 | 2018-07-20 | 南方医科大学 | 一种基于深度学习的全数字乳腺成像图像放射组学方法 |
CN108510473A (zh) * | 2018-03-09 | 2018-09-07 | 天津工业大学 | 结合深度可分离卷积与通道加权的fcn视网膜图像血管分割 |
WO2019180742A1 (en) * | 2018-03-21 | 2019-09-26 | Artificial Learning Systems India Private Limited | System and method for retinal fundus image semantic segmentation |
CN108520206B (zh) * | 2018-03-22 | 2020-09-29 | 南京大学 | 一种基于全卷积神经网络的真菌显微图像识别方法 |
CN108460764B (zh) * | 2018-03-31 | 2022-02-15 | 华南理工大学 | 基于自动上下文和数据增强的超声图像智能分割方法 |
EP3783533A1 (en) * | 2018-04-17 | 2021-02-24 | BGI Shenzhen | Artificial intelligence-based ophthalmic disease diagnostic modeling method, apparatus, and system |
CN108309229B (zh) * | 2018-04-18 | 2019-09-03 | 电子科技大学 | 一种针对眼底图像视网膜血管的层次结构划分方法 |
US10430949B1 (en) * | 2018-04-24 | 2019-10-01 | Shenzhen Keya Medical Technology Corporation | Automatic method and system for vessel refine segmentation in biomedical images using tree structure based deep learning model |
CN108764286B (zh) * | 2018-04-24 | 2022-04-19 | 电子科技大学 | 一种基于迁移学习的血管图像中特征点的分类识别方法 |
CN108629784A (zh) * | 2018-05-08 | 2018-10-09 | 上海嘉奥信息科技发展有限公司 | 一种基于深度学习的ct图像颅内血管分割方法及*** |
CN108968991B (zh) * | 2018-05-08 | 2022-10-11 | 平安科技(深圳)有限公司 | 手骨x光片骨龄评估方法、装置、计算机设备和存储介质 |
CN108734117A (zh) * | 2018-05-09 | 2018-11-02 | 国网浙江省电力有限公司电力科学研究院 | 基于yolo的电缆设备外部腐蚀破损识别方法 |
CN108960053A (zh) * | 2018-05-28 | 2018-12-07 | 北京陌上花科技有限公司 | 归一化处理方法及装置、客户端 |
CN108764342B (zh) * | 2018-05-29 | 2021-05-14 | 广东技术师范学院 | 一种对于眼底图中视盘和视杯的语义分割方法 |
CN109002831A (zh) * | 2018-06-05 | 2018-12-14 | 南方医科大学南方医院 | 一种基于卷积神经网络的乳腺密度分类方法、***及装置 |
CN108765422A (zh) * | 2018-06-13 | 2018-11-06 | 云南大学 | 一种视网膜图像血管自动分割方法 |
JP7089071B2 (ja) * | 2018-06-15 | 2022-06-21 | シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレイテッド | 単一ディープニューラルネットワークをエンドツーエンド訓練法で使用する検体容器特徴付け |
CN109145939B (zh) * | 2018-07-02 | 2021-11-02 | 南京师范大学 | 一种小目标敏感的双通道卷积神经网络语义分割方法 |
CN109002889B (zh) * | 2018-07-03 | 2021-12-17 | 华南理工大学 | 自适应迭代式卷积神经网络模型压缩方法 |
CN109003279B (zh) * | 2018-07-06 | 2022-05-13 | 东北大学 | 一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及*** |
CN109272507B (zh) * | 2018-07-11 | 2021-07-13 | 武汉科技大学 | 基于结构随机森林模型的相干光断层图像的层分割方法 |
CN108921169B (zh) * | 2018-07-12 | 2019-05-24 | 珠海上工医信科技有限公司 | 一种眼底图像血管分割方法 |
CN108922518B (zh) * | 2018-07-18 | 2020-10-23 | 苏州思必驰信息科技有限公司 | 语音数据扩增方法和*** |
CN109087310B (zh) * | 2018-07-24 | 2022-07-12 | 深圳大学 | 睑板腺纹理区域的分割方法、***、存储介质及智能终端 |
CN109118495B (zh) * | 2018-08-01 | 2020-06-23 | 东软医疗***股份有限公司 | 一种视网膜血管分割方法和装置 |
CN109087302A (zh) * | 2018-08-06 | 2018-12-25 | 北京大恒普信医疗技术有限公司 | 一种眼底图像血管分割方法及设备 |
CN109214298B (zh) * | 2018-08-09 | 2021-06-08 | 盈盈(杭州)网络技术有限公司 | 一种基于深度卷积网络的亚洲女性颜值评分模型方法 |
CN109241972B (zh) * | 2018-08-20 | 2021-10-01 | 电子科技大学 | 基于深度学习的图像语义分割方法 |
CN109102885B (zh) * | 2018-08-20 | 2021-03-05 | 北京邮电大学 | 基于卷积神经网络与随机森林组合的白内障自动分级方法 |
CN109345538B (zh) * | 2018-08-30 | 2021-08-10 | 华南理工大学 | 一种基于卷积神经网络的视网膜血管分割方法 |
US10303980B1 (en) * | 2018-09-05 | 2019-05-28 | StradVision, Inc. | Learning method, learning device for detecting obstacles and testing method, testing device using the same |
CN109117826B (zh) * | 2018-09-05 | 2020-11-24 | 湖南科技大学 | 一种多特征融合的车辆识别方法 |
CN109325942B (zh) * | 2018-09-07 | 2022-03-25 | 电子科技大学 | 基于全卷积神经网络的眼底图像结构分割方法 |
WO2020061008A1 (en) * | 2018-09-18 | 2020-03-26 | Google Llc | Receptive-field-conforming convolution models for video coding |
CN109087708B (zh) * | 2018-09-20 | 2021-08-31 | 深圳先进技术研究院 | 用于斑块分割的模型训练方法、装置、设备及存储介质 |
CN109377487B (zh) * | 2018-10-16 | 2022-04-12 | 浙江大学 | 一种基于深度学习分割的水果表面缺陷检测方法 |
CN109567872B (zh) * | 2018-11-05 | 2020-04-24 | 清华大学 | 基于机器学习的血管导波弹性成像方法及*** |
CN109523524B (zh) * | 2018-11-07 | 2020-07-03 | 电子科技大学 | 一种基于集成学习的眼底图像硬性渗出检测方法 |
CN109754403A (zh) * | 2018-11-29 | 2019-05-14 | 中国科学院深圳先进技术研究院 | 一种ct图像内的肿瘤自动分割方法及*** |
CN109658394B (zh) * | 2018-12-06 | 2023-05-09 | 代黎明 | 眼底图像预处理方法及***和微血管瘤检测方法及*** |
CN109615634A (zh) * | 2018-12-13 | 2019-04-12 | 深圳大学 | 光学眼底图像分割方法、装置、计算机设备及存储介质 |
US10963757B2 (en) | 2018-12-14 | 2021-03-30 | Industrial Technology Research Institute | Neural network model fusion method and electronic device using the same |
CN109829882B (zh) * | 2018-12-18 | 2020-10-27 | 广州比格威医疗科技有限公司 | 一种糖尿病视网膜病变分期预测方法 |
CN109711535B (zh) * | 2018-12-21 | 2021-05-11 | 深圳致星科技有限公司 | 一种利用相似层预测深度学习模型中层计算时间的方法 |
CN109711555B (zh) * | 2018-12-21 | 2021-08-10 | 深圳致星科技有限公司 | 一种预测深度学习模型单轮迭代时间的方法和*** |
CN109712165B (zh) * | 2018-12-29 | 2022-12-09 | 安徽大学 | 一种基于卷积神经网络的同类前景图像集分割方法 |
CN109767459B (zh) * | 2019-01-17 | 2022-12-27 | 中南大学 | 新型眼底图配准方法 |
CN109919881B (zh) * | 2019-01-18 | 2023-07-28 | 平安科技(深圳)有限公司 | 基于豹纹状眼底图像的去豹纹方法及相关设备 |
CN109919179A (zh) * | 2019-01-23 | 2019-06-21 | 平安科技(深圳)有限公司 | 微动脉瘤自动检测方法、装置及计算机可读存储介质 |
CN110211087B (zh) * | 2019-01-28 | 2023-06-30 | 南通大学 | 可分享的半自动糖尿病眼底病变标注方法 |
CN109871798B (zh) * | 2019-02-01 | 2021-06-29 | 浙江大学 | 一种基于卷积神经网络的遥感影像建筑物提取方法 |
CN109859139B (zh) * | 2019-02-15 | 2022-12-09 | 中南大学 | 彩色眼底图像的血管增强方法 |
CN109919915B (zh) * | 2019-02-18 | 2021-03-23 | 广州视源电子科技股份有限公司 | 基于深度学习的视网膜眼底图像异常区域检测方法及设备 |
CN109872333B (zh) | 2019-02-20 | 2021-07-06 | 腾讯科技(深圳)有限公司 | 医学影像分割方法、装置、计算机设备和存储介质 |
CN110060257B (zh) * | 2019-02-22 | 2022-11-25 | 叠境数字科技(上海)有限公司 | 一种基于不同发型的rgbd头发分割方法 |
CN110120047B (zh) * | 2019-04-04 | 2023-08-08 | 平安科技(深圳)有限公司 | 图像分割模型训练方法、图像分割方法、装置、设备及介质 |
CN110009626A (zh) * | 2019-04-11 | 2019-07-12 | 北京百度网讯科技有限公司 | 用于生成图像的方法和装置 |
CN110120055B (zh) * | 2019-04-12 | 2023-04-18 | 浙江大学 | 基于深度学习的眼底荧光造影图像无灌注区自动分割方法 |
CN110189327A (zh) * | 2019-04-15 | 2019-08-30 | 浙江工业大学 | 基于结构化随机森林编码器的眼底视网膜血管分割方法 |
CN110084803B (zh) * | 2019-04-29 | 2024-02-23 | 靖松 | 基于人类视觉***的眼底图像质量评估方法 |
CN110097545A (zh) * | 2019-04-29 | 2019-08-06 | 南京星程智能科技有限公司 | 基于深度学习的眼底图像生成方法 |
CN110176008A (zh) * | 2019-05-17 | 2019-08-27 | 广州视源电子科技股份有限公司 | 晶状体分割方法、装置及存储介质 |
CN110163884B (zh) * | 2019-05-17 | 2023-04-07 | 温州大学 | 一种基于全连接深度学习神经网络的单个图像分割方法 |
CN110189320B (zh) * | 2019-05-31 | 2023-04-07 | 中南大学 | 基于中层块空间结构的视网膜血管分割方法 |
CN110211136B (zh) * | 2019-06-05 | 2023-05-02 | 深圳大学 | 图像分割模型的构建方法、图像分割方法、装置及介质 |
CN110276748B (zh) * | 2019-06-12 | 2022-12-02 | 上海移视网络科技有限公司 | 心肌缺血区域的血流速和血流储备分数的分析方法 |
CN110136810B (zh) * | 2019-06-12 | 2023-04-07 | 上海移视网络科技有限公司 | 心肌缺血冠脉血流储备的分析方法 |
CN110210483B (zh) * | 2019-06-13 | 2021-05-11 | 上海鹰瞳医疗科技有限公司 | 医疗图像病变区域分割方法、模型训练方法和设备 |
CN110246580B (zh) * | 2019-06-21 | 2021-10-15 | 上海优医基医疗影像设备有限公司 | 基于神经网络和随机森林的颅侧面影像分析方法和*** |
CN112150476B (zh) * | 2019-06-27 | 2023-10-27 | 上海交通大学 | 基于时空判别性特征学习的冠状动脉序列血管分割方法 |
CN110276333B (zh) * | 2019-06-28 | 2021-10-15 | 上海鹰瞳医疗科技有限公司 | 眼底身份识别模型训练方法、眼底身份识别方法和设备 |
CN110472483B (zh) * | 2019-07-02 | 2022-11-15 | 五邑大学 | 一种面向sar图像的小样本语义特征增强的方法及装置 |
CN110458849B (zh) * | 2019-07-26 | 2023-04-25 | 山东大学 | 一种基于特征修正的图像分割方法 |
CN112395905A (zh) * | 2019-08-12 | 2021-02-23 | 北京林业大学 | 一种森林病虫害实时检测方法、***及模型建立方法 |
CN110688893A (zh) * | 2019-08-22 | 2020-01-14 | 成都通甲优博科技有限责任公司 | 佩戴安全帽的检测方法、模型训练方法及相关装置 |
CN110738661A (zh) * | 2019-09-23 | 2020-01-31 | 山东工商学院 | 一种基于神经网络的口腔ct下颌神经管的分割方法 |
CN112634143A (zh) * | 2019-09-24 | 2021-04-09 | 北京地平线机器人技术研发有限公司 | 图像色彩校正模型训练方法、装置及电子设备 |
CN110705440B (zh) * | 2019-09-27 | 2022-11-01 | 贵州大学 | 一种基于神经网络特征融合的胶囊内镜图像识别模型 |
CN110992301A (zh) * | 2019-10-14 | 2020-04-10 | 数量级(上海)信息技术有限公司 | 一种气体轮廓识别方法 |
CN112668710B (zh) * | 2019-10-16 | 2022-08-05 | 阿里巴巴集团控股有限公司 | 模型训练、管状物提取、数据识别方法及设备 |
CN110853009B (zh) * | 2019-11-11 | 2023-04-28 | 北京端点医药研究开发有限公司 | 基于机器学习的视网膜病理图像分析*** |
CN110942466B (zh) * | 2019-11-22 | 2022-11-15 | 北京灵医灵科技有限公司 | 一种基于深度学习技术的脑动脉分割方法及装置 |
CN111125397B (zh) * | 2019-11-28 | 2023-06-20 | 苏州正雄企业发展有限公司 | 一种基于卷积神经网络的布料图像检索方法 |
CN111080650B (zh) * | 2019-12-12 | 2020-10-09 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车小部件轴承挡键螺母松动和丢失故障检测方法 |
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 |
CN111222468A (zh) * | 2020-01-08 | 2020-06-02 | 浙江光珀智能科技有限公司 | 一种基于深度学习的人流检测方法及*** |
CN111275192B (zh) * | 2020-02-28 | 2023-05-02 | 交叉信息核心技术研究院(西安)有限公司 | 一种同时提高神经网络精确度和鲁棒性的辅助训练方法 |
CN111598894B (zh) * | 2020-04-17 | 2021-02-09 | 哈尔滨工业大学 | 基于全局信息卷积神经网络的视网膜血管图像分割*** |
CN111583291B (zh) * | 2020-04-20 | 2023-04-18 | 中山大学 | 基于深度学习的视网膜层和积液区域的层分割方法及*** |
CN111783977B (zh) * | 2020-04-21 | 2024-04-05 | 北京大学 | 一种基于分区域梯度更新的神经网络训练过程中间值存储压缩方法和装置 |
CN111524140B (zh) * | 2020-04-21 | 2023-05-12 | 广东职业技术学院 | 基于cnn和随机森林法的医学图像语义分割方法 |
CN111652273B (zh) * | 2020-04-27 | 2023-04-07 | 西安工程大学 | 一种基于深度学习的rgb-d图像分类方法 |
CN111563890A (zh) * | 2020-05-07 | 2020-08-21 | 浙江大学 | 一种基于深度森林的眼底图像血管分割方法和*** |
CN111612856B (zh) * | 2020-05-25 | 2023-04-18 | 中南大学 | 用于彩色眼底图像的视网膜新生血管检测方法及成像方法 |
CN111814833B (zh) * | 2020-06-11 | 2024-06-07 | 浙江大华技术股份有限公司 | 票据处理模型的训练方法及图像处理方法、图像处理设备 |
CN111914902B (zh) * | 2020-07-08 | 2024-03-26 | 南京航空航天大学 | 一种基于深度神经网络的中药识别与表面缺陷检测方法 |
CN111882566B (zh) * | 2020-07-31 | 2023-09-19 | 华南理工大学 | 视网膜图像的血管分割方法、装置、设备及存储介质 |
CN112132145B (zh) * | 2020-08-03 | 2023-08-01 | 深圳大学 | 一种基于模型扩展卷积神经网络的图像分类方法及*** |
CN112016626B (zh) * | 2020-08-31 | 2023-12-01 | 中科泰明(南京)科技有限公司 | 基于不确定度的糖尿病视网膜病变分类*** |
CN112132759B (zh) * | 2020-09-07 | 2024-03-19 | 东南大学 | 一种基于端到端卷积神经网络的颅骨面貌复原方法 |
CN114693961B (zh) * | 2020-12-11 | 2024-05-14 | 北京航空航天大学 | 眼底照片分类方法、眼底图像处理方法和*** |
CN112529914B (zh) * | 2020-12-18 | 2021-08-13 | 北京中科深智科技有限公司 | 一种实时头发分割方法和*** |
CN112465842B (zh) * | 2020-12-22 | 2024-02-06 | 杭州电子科技大学 | 基于U-net网络的多通道视网膜血管图像分割方法 |
CN112669312A (zh) * | 2021-01-12 | 2021-04-16 | 中国计量大学 | 一种基于深度特征对称融合的胸片肺炎检测方法及*** |
CN112785581A (zh) * | 2021-01-29 | 2021-05-11 | 复旦大学附属中山医院 | 基于深度学习的提取训练大血管cta成像的培训方法和装置 |
CN113052012B (zh) * | 2021-03-08 | 2021-11-19 | 广东技术师范大学 | 一种基于改进d-s证据的眼疾图像识别方法及*** |
CN113724186A (zh) * | 2021-03-10 | 2021-11-30 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、设备及介质 |
CN113011340B (zh) * | 2021-03-22 | 2023-12-19 | 华南理工大学 | 一种基于视网膜图像的心血管手术指标风险分类方法及*** |
CN113012168B (zh) * | 2021-03-24 | 2022-11-04 | 哈尔滨理工大学 | 一种基于卷积神经网络的脑胶质瘤mri图像分割方法 |
CN113516678B (zh) * | 2021-03-31 | 2024-04-05 | 杭州电子科技大学 | 一种基于多任务的眼底图像检测方法 |
CN113393421A (zh) * | 2021-05-08 | 2021-09-14 | 深圳市识农智能科技有限公司 | 一种果实评估方法、装置和巡视设备 |
CN113393478A (zh) * | 2021-05-21 | 2021-09-14 | 天津大学 | 基于卷积神经网络的oct视网膜分层方法、***和介质 |
CN113591913B (zh) * | 2021-06-28 | 2024-03-29 | 河海大学 | 一种支持增量学习的图片分类方法及装置 |
CN113673586B (zh) * | 2021-08-10 | 2022-08-16 | 北京航天创智科技有限公司 | 融合多源高分辨率卫星遥感影像的海上养殖区域分类方法 |
KR102580279B1 (ko) * | 2021-10-25 | 2023-09-19 | 아주대학교산학협력단 | 알츠하이머병 진단에 필요한 정보를 제공하는 방법 및 이를 수행하기 위한 장치 |
CN113989246B (zh) * | 2021-10-29 | 2023-01-24 | 南开大学 | 一种基于血液流动特性的透明型血管图像分割方法 |
CN113989170B (zh) * | 2021-10-29 | 2023-01-24 | 南开大学 | 一种基于血液流动特性的透明型血管类型识别方法 |
CN114663421B (zh) * | 2022-04-08 | 2023-04-28 | 皖南医学院第一附属医院(皖南医学院弋矶山医院) | 基于信息迁移和有序分类的视网膜图像分析***及方法 |
CN115222638B (zh) * | 2022-08-15 | 2023-03-07 | 深圳市眼科医院 | 一种基于神经网络模型的视网膜血管图像分割方法及*** |
CN115631417A (zh) * | 2022-11-11 | 2023-01-20 | 生态环境部南京环境科学研究所 | 一种基于卷积神经网络的蝴蝶图像识别方法 |
CN117058676B (zh) * | 2023-10-12 | 2024-02-02 | 首都医科大学附属北京同仁医院 | 一种基于眼底检查影像的血管分割方法、装置和*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667289A (zh) * | 2008-11-19 | 2010-03-10 | 西安电子科技大学 | 基于nsct特征提取和监督分类的视网膜图像分割方法 |
CN103366180A (zh) * | 2013-06-14 | 2013-10-23 | 山东大学 | 一种基于自动特征学习的细胞图像分割方法 |
CN103870838A (zh) * | 2014-03-05 | 2014-06-18 | 南京航空航天大学 | 糖尿病视网膜病变的眼底图像特征提取方法 |
-
2016
- 2016-09-22 CN CN201610844032.9A patent/CN106408562B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667289A (zh) * | 2008-11-19 | 2010-03-10 | 西安电子科技大学 | 基于nsct特征提取和监督分类的视网膜图像分割方法 |
CN103366180A (zh) * | 2013-06-14 | 2013-10-23 | 山东大学 | 一种基于自动特征学习的细胞图像分割方法 |
CN103870838A (zh) * | 2014-03-05 | 2014-06-18 | 南京航空航天大学 | 糖尿病视网膜病变的眼底图像特征提取方法 |
Non-Patent Citations (3)
Title |
---|
A Hybrid Cnn-Rf Method for Electron Microscopy Images Segmentation;Guibao Cao et al.;《Biomimetics Biomaterials and Tissue Engineering》;20131231;第18卷(第2期);第1-6页 |
一个新的多分类器组合模型;蒋林波 等;《计算机工程与应用》;20081231;第44卷(第17期);第131页右栏第1段 |
基于集成学习和深度学习的应用研究;王双玲;《中国优秀硕士学位论文全文数据库 信息科技辑》;20141215;正文第29-33页 |
Also Published As
Publication number | Publication date |
---|---|
CN106408562A (zh) | 2017-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106408562B (zh) | 基于深度学习的眼底图像视网膜血管分割方法及*** | |
Khan et al. | Classification of diabetic retinopathy images based on customised CNN architecture | |
Sudha et al. | A Convolutional Neural Network Classifier VGG-19 Architecture for Lesion Detection and Grading in Diabetic Retinopathy Based on Deep Learning. | |
CN106650806B (zh) | 一种用于行人检测的协同式深度网络模型方法 | |
Dharmawan et al. | A new hybrid algorithm for retinal vessels segmentation on fundus images | |
CN108648191B (zh) | 基于贝叶斯宽度残差神经网络的害虫图像识别方法 | |
CN108154519A (zh) | 眼底图像中血管的分割方法、装置及存储介质 | |
CN110276745B (zh) | 一种基于生成对抗网络的病理图像检测算法 | |
CN109034045A (zh) | 一种基于卷积神经网络的白细胞自动识别方法 | |
CN108805209A (zh) | 一种基于深度学习的肺结节筛查方法 | |
Zhao et al. | High‐quality retinal vessel segmentation using generative adversarial network with a large receptive field | |
CN108038844A (zh) | 一种基于轻巧型cnn的肺结节良恶性预测方法 | |
Jin et al. | Construction of retinal vessel segmentation models based on convolutional neural network | |
Yang et al. | Classification of diabetic retinopathy severity based on GCA attention mechanism | |
Chudzik et al. | DISCERN: Generative framework for vessel segmentation using convolutional neural network and visual codebook | |
Sunsuhi et al. | An Adaptive Eroded Deep Convolutional neural network for brain image segmentation and classification using Inception ResnetV2 | |
Arivuselvam et al. | Leukemia classification using the deep learning method of CNN | |
CN110334747A (zh) | 基于改进卷积神经网络的图像识别方法及应用 | |
CN110866547A (zh) | 基于多特征和随机森林的中药饮片自动分类***及方法 | |
Tu et al. | DRPAN: a novel adversarial network approach for retinal vessel segmentation | |
Cao et al. | 3D convolutional neural networks fusion model for lung nodule detection onclinical CT scans | |
Bachhal et al. | Real-time disease detection system for maize plants using deep convolutional neural networks | |
Lee et al. | Cardiac CT Image Segmentation for Deep Learning-Based Coronary Calcium Detection Using K-Means Clustering and Grabcut Algorithm. | |
Wang et al. | An efficient hierarchical optic disc and cup segmentation network combined with multi-task learning and adversarial learning | |
Chacon M et al. | A PCNN-FCM time series classifier for texture segmentation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |