CN107292887B - 一种基于深度学习自适应权重的视网膜血管分割方法 - Google Patents
一种基于深度学习自适应权重的视网膜血管分割方法 Download PDFInfo
- Publication number
- CN107292887B CN107292887B CN201710469436.9A CN201710469436A CN107292887B CN 107292887 B CN107292887 B CN 107292887B CN 201710469436 A CN201710469436 A CN 201710469436A CN 107292887 B CN107292887 B CN 107292887B
- Authority
- CN
- China
- Prior art keywords
- segmentation
- blood vessel
- retinal
- neural network
- network
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 56
- 210000001210 retinal vessel Anatomy 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 19
- 238000013135 deep learning Methods 0.000 title claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 50
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000003709 image segmentation Methods 0.000 claims abstract description 14
- 210000001525 retina Anatomy 0.000 claims abstract description 14
- 238000010998 test method Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 29
- 230000009466 transformation Effects 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 2
- 241000282414 Homo sapiens Species 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 14
- 230000004256 retinal image Effects 0.000 description 7
- 238000010606 normalization Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000002238 attenuated effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002207 retinal effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006740 morphological transformation Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种基于深度学***均准确率分别达到了96.00%和95.17%,均高于目前最新的算法。
Description
技术领域
本发明涉及医学图像处理领域,特别涉及一种基于深度学习自适应权重的视网膜血管分割方法。
背景技术
视网膜可作为常见疾病,如高血压、糖尿病等重要检测指标,多年来一直是国内外研究的热点。基于计算机的眼底血管自动提取、测量与分析技术,在医学诊断中有着重要的应用价值。
视网膜血管图像的分割方法主要分为两大类:基于规则和基于学习。
基于规则的方法主要是是利用视网膜图像中血管的特性,设计相应的滤波器完成增强血管特征和抑制背景噪声任务,通常由预处理、分割、后处理三个部分组成。Chaudhuri等人提出了采用高斯曲线估计视网膜血管的灰度值,设计了12个不同方向的匹配滤波器对血管进行增强处理。Al-Rawi等人使用一组参数{L,σ,T}构造了12个模板,沿着不同方向对视网膜图像进行滤波,然后选择出最佳响应,通过遗传算法优化该方法能达到最大的平均准确率为94.22%。Azzopardi等人提出了引入B-COSFIRE滤波器有方向选择性地检测血管,平均准确率为94.42%。匹配滤波器的方法能够很好地检测到血管状物体,但是该方法缺点在于对背景中的纹理缺乏鲁棒性,容易将背景中的纹理提取成为血管。所以该方法对于图像预处理要求较高,需要尽可能减少背景的影响。同时该方法中的参数对血管提取影响很大。等人提出了区域生长的方法,利用在不同尺度下图像的一阶导数和二阶导数作为特征将视网膜血管图像像素分为血管类和非血管类。Zana等人提出了基于数学形态学变换和曲率评估的方法检测血管。Bankhead等人提出了基于各向同性非抽样小波变换(IUWT)的方法,结合基于最大梯度的边缘检测算法,可达到93.71%的准确率。
基于学***均准确率为93.2%。基于固定长度的物体的平均灰度值估计,Ricci等人提出了采用线性检测器和支持向量机对视网膜图像像素进行分类。Melinsca等人提出一个10层的CNN网络用于视网膜图像血管分割,针对视网膜图像进行逐像素的分类以完成分割,可达到94.66%的平均准确率。Maji等人提出使用12个卷积神经网络构成一个集成学***均值,以克服单个复杂网络容易造成过拟合的问题,平均准确率为94.7%。Li等人提出一个多隐层的神经网络完成端到端的分块分割,不需要额外的预处理和后处理步骤,但是该网络需要使用自编码器进行预训练以使得网络能够收敛,能够达到95.22%的平均准确率。
发明内容
本发明所要解决的技术问题是提供一种基于深度学习自适应权重的视网膜血管分割方法,能够实现端到端的网络训练,在视网膜血管图像分割上达到很好的效果。
为解决上述技术问题,本发明采用的技术方案是:
一种基于深度学习自适应权重的视网膜血管分割方法,包括以下步骤:
步骤1:对数据库中的视网膜血管图像进行样本扩充,并对扩充后的样本进行分组;
步骤2:在Caffe(Convolutional Architecture for Fast Feature Embedding,快速特征提取卷积框架)库中构建血管分割(Seg Vessel)全卷积神经网络,将视网膜血管图像训练样本作为血管分割全卷积神经网络的输入,对神经网络进行预训练,对视网膜血管图像进行全局自适应权重分割,得到视网膜血管图像分割预训练的初始模型参数;
所述血管分割全卷积神经网络由神经网络块组合而成,每3个神经网络块形成一组,每组内的参数一致;每个神经网络块有三个不同的分支,第一分支直接由输入连接输出结果,形成了快捷连接,第二分支使用带孔的卷积(atrous卷积),扩大感受野,第三分支用于学习抽象的特征;
步骤3:在网络层最后添加条件随机场层,对网络进行调优;条件随机场能量函数包括一元能量项和二元能量项,其中一元能量项是基于每个像素属于各个类别的概率,二元能量项是基于图像中任意两像素之间的灰度值差异和空间距离的能量;
步骤4:采用轮换测试方法将测试样本输入血管分割全卷积神经网络,得到视网膜血管图像分割结果图。
根据上述方案,在步骤1中,对视网膜血管图像进行扩充处理,具体包括上下平移、左右平移、旋转90°、旋转180°、旋转270°、上下对称变换、左右对称变换和亮度变换。
根据上述方案,所述步骤4中,轮换测试方法具体为:对数据进行分组,每5张图片作为一组;当其中一组作为测试数据时,另外所有样本都作为训练数据训练一个模型,用训练的模型测试此5张图片;以此类推,所有图片都能被测试到。
根据上述方案,所述步骤2中的全局自适应权重分割,其针对视网膜血管图像分割结果中的误分割像素动态地分配较大的权重,对正确分割的像素分配较小的权重,随着迭代的进行不断更新像素在损失函数中的权重。
与现有技术相比,本发明的有益效果是:通过提出新的血管分割全卷积神经网络结构,能够实现端到端的网络训练,在视网膜图像分割上达到了很好的效果。在DRIVE和CHASE_DB1两个国际公开视网膜图像数据库上进行测试,平均准确率分别达到了96.00%和95.17%,均高于目前最新的算法。本发明还提出了自适应权重的方法,促使神经网络的损失函数主要来自于误分割的区域,一方面消除了由于背景像素和血管像素比例差异较大而导致的类不均衡问题,另一方面也使得网络专注于学习误分割的区域,加速了网络的收敛,有效避免了图像背景中类似血管状的纹理引入的干扰,提高了分割精度。
附图说明
图1是视网膜血管图像分割流程示意图。
图2是血管分割全卷积神经网络块示意图。
图3是血管分割全卷积神经网络框架图。
图4是权重在迭代过程中的变化图之迭代0次。
图5是权重在迭代过程中的变化图之迭代40次。
图6是权重在迭代过程中的变化图之迭代267次。
图7是权重在迭代过程中的变化图之迭代2522次。
图8是DRIVE数据库血管图像分割准确率与阀值曲线图。
图9是DRIVE数据库血管图像分割ROC曲线图。
具体实施方式
本发明方法首先对视网膜血管图像进行样本扩充,并对样本进行分组;针对感受野较小和收敛速度慢的问题,建立血管分割全卷积神经网络结构,用训练样本对网络进行预训练,得到视网膜血管分割初始模型参数;为了解决视网膜图像中血管像素和背景像素比例不平衡的问题,提出一种全局自适应权重的方法,能够随着迭代的进行更新像素在损失函数中的权重,促使神经网络的损失函数主要来自误分割的区域,同时加速网络收敛;在网络层最后添加条件随机场层,增强特征的空间约束,对网络进行调优;最后采用轮换测试的方法将测试样本输入网络,得到视网膜血管分割结果图。
下面通过实例对本发明方法及效果进行详细说明。
步骤1:对数据库中的视网膜血管图像进行样本扩充,并对样本进行分组。
本发明中所使用的公开数据库包括DRIVE(Digital Retinal Image for VesselExtraction)和CHASE_DB1。DRIVE包含了40张视网膜图像,分辨率为565×584。CHASE_DB1主要包含了14组视网膜图像,每组两张,分别为左眼和右眼图像,分辨率较高,达到了999×960。
由于数据库中的图像数量太少易导致过拟合,因此对样本进行扩充。对视网膜血管图像和对应的标签图像分别进行上下平移、左右平移、旋转90°、旋转180°、旋转270°、上下对称变换、左右对称变换和亮度变换,完成对视网膜血管图像的数据扩增,然后打乱顺序,将每5个样本作为一组,对数据进行分组处理。
步骤2:将视网膜图像训练样本作为神经网络的输入,在Caffe库中构建设计的血管分割全卷积神经网络,对神经网络进行预训练,对视网膜血管图像进行全局自适应权重分割,得到视网膜血管分割预训练的初始模型参数。
实验硬件:中央处理器为2颗E5 2620V3,图形处理器为GTX Titan X,随机存取存储器为128GB。实验软件:操作***为乌班图16.04LTS 64位版,深度学习库为Caffe,加速工具使用了cuDNN5.1。
步骤2-1:本发明中设计的血管分割全卷积神经网络是由9个如图2所示的神经网络块组合而成的,每3个块形成一组,每个组内的参数是一致的。血管分割全卷积神经网络框架图如图3所示,每两个组之间由卷积、批规范化、参数修正线性单元连接。三个组的卷积核个数分别设置为16、24和32,随着网络深度的增加,网络学习到的特征更加抽象。在每个组的后面都连接了一个卷积层和一个损失函数层,其中卷积层的目的是为了将输出的通道数降低为2,使得输出的特征图和背景、血管两个类相对应,损失函数层是为了得到损失函数。三个损失函数层能够得到三个损失函数值并且产生三个梯度,独立地进行反向传播,浅层的参数能够被三个梯度及时更新。第一个损失函数保证了前面三个网络块学习到了视网膜图像中区分血管和背景的特征,接下来的三个网络块在前面特征的基础上继续学习,所以第二个损失函数也就保证了这三个块能够学习到更好的特征。以此类推,最后三个网络块学习到的特征应该是三个组当中最适合于分割图像的特征。
上述神经网络块有三个不同的分支,如图2所示,分支1直接由输入连接输出结果,形成了快捷连接,分支2主要是使用了带孔的卷积(atrous卷积),扩大感受野,分支3拥有最多的神经网络层,主要是用于学习更抽象的特征。神经网络块中的所有卷积层的卷积核尺寸都设置为3×3,三个分支最后通过对应位置相加的方式组合在一起,作为整个神经网络块的输出结果。
其中,快捷连接相当于神经网络中的残差,带有这种快捷连接的神经网络又被称为残差网络(Residual Network)。神经网络的层数越深,能所学习到的特征也就越抽象,因此层数对神经网络影响很大。但是当层数增加时,更深的模型却很难表达浅层已学习到的特征,梯度消失、梯度***的问题也会更明显。假设期望的神经网络的输入输出映射关系为H(x),令实际映射为F(x)=H(x)-x,原始的映射即可表示为H(x)=F(x)+x。在最极端情况下,如果x本身即是最优的特征,只需使F(x)为0即可。这就保证了添加神经网络层后,整个神经网络学习到的特征不会变差。分支1使用了该原理,使输入的数据能够直接流向输出。整个快捷连接过程表示为:
y=F(x,{Wi})+Wsx (1)
其中,Wi为映射F的参数,而Ws是为了使F(x)和x尺寸不一致时能够相加而引入的一个线性投影矩阵。
为保留更多的血管细节特征,网络结构中须保持输出图像和输入图像尺寸大小相同,由于视网膜血管中存在大量细小的血管,特别是处于末端的血管网,池化时容易丢失这些细节信息,本发明中设计的网络结构没有采用池化层。为了达到较大的感受野而又不增加网络的参数,分支2中主要采用atrous卷积来扩大感受野,首先考虑一维信号,atrous卷积表示为:
其中x为输入信号,y为输出信号,w为卷积核参数,K为卷积核内参数个数,r为膨胀参数,用于控制跳过的元素个数。卷积神经网络中常用的二维卷积操作,卷积核在图像中只能与相邻的元素乘积,而atrous卷积可以通过控制膨胀参数r来控制卷积时可以跳过的元素个数。分支2中的膨胀参数r控制着感受野的增长速度,在本发明中设置为3。
分支3在整个网络块中层数最多,该分支有两个卷积层,能够学习到的特征更加抽象,其中还引入了批规范层和参数修正线性单元。
令批规范化层地输入为x=(x(1),x(2),...,x(d)),d表示输入的维度,则每个维度上都可以被规范化为
其中,为规范化后的数据,E[x(k)]为输入数据的期望,Var[x(k)]为其方差。必须注意到简单的规范化层的每个输入会改变这个层所表达的特征,限制了数据地表达能力。因此,为了增加该层能够表达地特征地范围,对公式(3)引入缩放、平移量:
其中,γ(k)和β(k)均为该层中可以学习更新地变量。批规范化将数据规范化到同一合适的分布下,加快了网络的收敛速度。
本发明中还引入了参数修正线性单元(Rectified linear unit,PReLU),其函数表示为:
步骤2-2:为了促使神经网络学习的损失函数主要来自误分割的区域,提出了自适应权重方法。自适应权重更新过程如下:
其中,i,j分别为权重矩阵的行号和列号,w为权重矩阵,k表示当前迭代次数为k,c为设置的常数,本发明中设置c=2,oi,j为输出矩阵在i行j列的值,li,j为标注的矩阵在i行j列的值,δ函数为判断输出值和标签值是否相等,相等则为0,不相等则为1。由于权重矩阵值不可能无限增加,需要进行归一化,
其中,wmax和wmin即为权重矩阵的最大值和最小值,为平均值。由于常量c>0,每次归一化时,δ(oi,j,li,j)=1的点,其权重值会接近于0;而对于δ(oi,j,li,j)=0的点,其权重值会被削弱到原来的1/c+1。因此,对于整个权重矩阵而言,归一化后使得分割正确的像素点的权重被削弱,c值越大,这些点的权重衰减越快。n次迭代中,如果这些点都被正确分割,则其权重衰减到原来的1/(c+1)n。
自适应权重对损失函数值表示为:
其中,f(i,j)为输出矩阵中第i行j列元素产生的损失函数值。在梯度反向传播时,由公式(5)可知,损失函数值主要由权重较大的元素所决定,而权重小的元素在损失函数中影响甚微,所以梯度也是主要由权重较大的元素所决定。因此,由于神经网络是通过梯度来更新参数,所以整个网络是由学习权重较大的元素决定的,因此神经网络主要是在学习被分割出错的部分,进一步提高视网膜血管图像分割准确率。
将训练样本对应的标签图像进行数学形态学膨胀运算所得到的图像矩阵作为初始权重值,随着迭代的进行,权重矩阵可视化的结果如图4至图7所示,其中亮度越高的区域表明网络分割的错误次数越多。迭代次数为0时,得到的是初始化的权重矩阵。权重矩阵主要是为了使网络能够更好将注意力聚集于血管附近。迭代过程中,网络从学会区分视网膜圆形区域过渡到视网膜血管区域、视盘、圆形边界、血管末端以及随机噪声处。而当迭代到了2522次时,网络基本上只在血管附近才分割出错。
采用Nesterov的加速梯度方法最小化损失函数,首先按照原来的更新方向更新一步,然后在该位置计算梯度值,用这个梯度值修正最终的更新方向。选择多步学习率策略改变学习速率,本发明的神经网络中所有的参数更新可以按如下方式进行:
vt=μvt-1-ε▽f(θ+μvt-1) (10)
θt=θt-1+vt (11)
其中,ν表示权重,t表示时间,μ表示动量的控制参数,▽f(θt-1)表示函数的梯度,θ为网络中的参数,ε为学习率,设置初始学习率为1×109,根据迭代次数而逐渐减小。当达到指定的迭代次数时,网络停止训练,得到预训练的模型参数。
步骤3:在网络层最后添加条件随机场层,对网络进行调优。
利用预先训练的参数对神经网络进行初始化,使用条件随机场对视网膜血管图像进行分割,为网络的特征添加更强的空间约束。本发明中采用的条件随机场能量函数包括一元能量项和二元能量项,其中一元能量项是基于每个像素属于各个类别的概率,二元能量项是基于图像中任意两像素之间的灰度值差异和空间距离的能量。
假设X为像素向量,xi为第i层的标签,ψu(xi)表示将元素i划分为标签xi的能量,ψp(xi,xj)表示将像素点i,j同时划分为xi,xj的能量,则能量函数可以表示为
对网络进行调优,此时训练集不再使用扩充的样本,而只使用原始的图像样本。通过最小化能量函数,不断更新网络层的权值和偏置的大小。学习率降低到5×10-10,调优的迭代次数设置为5000次。
对网络进行二次调优,此时训练集同样只使用原始图片样本,而且只使用了当前数据库中的样本,即训练DRIVE时不使用CHASE_DB1数据,训练CHASE_DB1时也不会使用DRIVE数据。学习率降低到1×10-10,二次调优的迭代次数设置为2000次。
步骤4:采用轮换测试的方法将测试样本输入血管分割全卷积神经网络,得到视网膜血管图像分割结果图。
为了充分利用有限的数据,在测试阶段采用轮换训练测试的方法。首先对数据进行分组,每5张图片作为一组。当其中一组作为测试数据时,另外所有样本都作为训练数据训练一个模型来测试这5张图片。以此类推,所有图片都可以被测试到。但是在同一个模型中,测试集和训练集没有相同的图片。
利用本发明提出的血管分割全卷积神经网络结构和全局自适应权重分割方法在DRIVE数据库下的分割结果如图8、图9所示,在阈值为0.9时,分割准确率下降速度加快,说明本发明的血管分割全卷积神经网络最后输出的概率图中对于判断为血管的像素,其概率主要集中于0.9附近。通过实验验证,在DRIVE数据库上,视网膜血管图像分割平均准确率达到了96.00%,平均召回率达到了77.46%,都高于目前提出的其他算法,处理一张图像只需要0.57秒。而且,平均准确率超过了人类的94.72%。在CHASE_DB1数据库上,本发明算法的平均准确率达到了95.38%,也优于其他算法,仅比人类分割结果低0.15%。
Claims (4)
1.一种基于深度学习自适应权重的视网膜血管分割方法,其特征在于,包括以下步骤:
步骤1:对数据库中的视网膜血管图像进行样本扩充,并对扩充后的样本进行分组;
步骤2:在Caffe库中构建血管分割全卷积神经网络,将视网膜血管图像训练样本作为血管分割全卷积神经网络的输入,对神经网络进行预训练,对视网膜血管图像进行全局自适应权重分割,得到视网膜血管图像分割预训练的初始模型参数;
所述血管分割全卷积神经网络有9个神经网络块,每3个神经网络块形成一组,每组内的参数一致;每个神经网络块有三个不同的分支,第一分支直接由输入连接输出结果,形成了快捷连接,第二分支使用带孔的卷积,扩大感受野,第三分支用于学习抽象的特征;
步骤3:在网络层最后添加条件随机场层,对网络进行调优;条件随机场能量函数包括一元能量项和二元能量项,其中一元能量项是基于每个像素属于各个类别的概率,二元能量项是基于图像中任意两像素之间的灰度值差异和空间距离的能量;
步骤4:采用轮换测试方法将测试样本输入血管分割全卷积神经网络,得到视网膜血管图像分割结果图。
2.如权利要求1所述的一种基于深度学***移、左右平移、旋转90°、旋转180°、旋转270°、上下对称变换、左右对称变换和亮度变换。
3.如权利要求1所述的一种基于深度学习自适应权重的视网膜血管分割方法,其特征在于,所述步骤4中,轮换测试方法具体为:对数据进行分组,每5张图片作为一组;当其中一组作为测试数据时,另外所有样本都作为训练数据训练一个模型,用训练的模型测试此5张图片;以此类推,所有图片都能被测试到。
4.如权利要求1所述的一种基于深度学习自适应权重的视网膜血管分割方法,其特征在于,所述步骤2中的全局自适应权重分割,其针对视网膜血管图像分割结果中的误分割像素动态地分配较大的权重,对正确分割的像素分配较小的权重,随着迭代的进行不断更新像素在损失函数中的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710469436.9A CN107292887B (zh) | 2017-06-20 | 2017-06-20 | 一种基于深度学习自适应权重的视网膜血管分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710469436.9A CN107292887B (zh) | 2017-06-20 | 2017-06-20 | 一种基于深度学习自适应权重的视网膜血管分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107292887A CN107292887A (zh) | 2017-10-24 |
CN107292887B true CN107292887B (zh) | 2020-07-03 |
Family
ID=60097750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710469436.9A Active CN107292887B (zh) | 2017-06-20 | 2017-06-20 | 一种基于深度学习自适应权重的视网膜血管分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292887B (zh) |
Families Citing this family (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108010021B (zh) * | 2017-11-30 | 2021-12-10 | 上海联影医疗科技股份有限公司 | 一种医学图像处理***和方法 |
CN108122001B (zh) * | 2017-12-13 | 2022-03-11 | 北京小米移动软件有限公司 | 图像识别方法及装置 |
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 |
CN108280455B (zh) * | 2018-01-19 | 2021-04-02 | 北京市商汤科技开发有限公司 | 人体关键点检测方法和装置、电子设备、程序和介质 |
CN108053417B (zh) * | 2018-01-30 | 2019-12-17 | 浙江大学 | 一种基于混合粗分割特征的3D U-Net网络的肺分割装置 |
CN108492302B (zh) * | 2018-03-26 | 2021-04-02 | 北京市商汤科技开发有限公司 | 神经层分割方法和装置、电子设备、存储介质 |
CN108596082A (zh) * | 2018-04-20 | 2018-09-28 | 重庆邮电大学 | 基于图像扩散速度模型和色彩特征的人脸活体检测方法 |
CN109087306A (zh) * | 2018-06-28 | 2018-12-25 | 众安信息技术服务有限公司 | 动脉血管图像模型训练方法、分割方法、装置及电子设备 |
JP7229881B2 (ja) * | 2018-08-14 | 2023-02-28 | キヤノン株式会社 | 医用画像処理装置、学習済モデル、医用画像処理方法及びプログラム |
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 |
EP3644274A1 (en) * | 2018-10-26 | 2020-04-29 | Koninklijke Philips N.V. | Orientation detection for vessel segmentation |
RU2703270C1 (ru) | 2018-10-31 | 2019-10-16 | Общество с ограниченной ответственностью "Аби Продакшн" | Оптическое распознавание символов посредством применения специализированных функций уверенности, реализуемое на базе нейронных сетей |
CN109543758A (zh) * | 2018-11-26 | 2019-03-29 | 东北大学 | 基于共轭蝶形条件随机场的***组织病理图像诊断方法 |
CN109685770B (zh) * | 2018-12-05 | 2020-10-09 | 合肥奥比斯科技有限公司 | 视网膜血管弯曲度确定方法 |
US10963757B2 (en) | 2018-12-14 | 2021-03-30 | Industrial Technology Research Institute | Neural network model fusion method and electronic device using the same |
CN110020652A (zh) * | 2019-01-07 | 2019-07-16 | 新而锐电子科技(上海)有限公司 | 隧道衬砌裂缝图像的分割方法 |
CN109993728B (zh) * | 2019-03-15 | 2021-01-05 | 佛山缔乐视觉科技有限公司 | 一种热转印胶水偏位自动检测方法和*** |
CN110084271B (zh) * | 2019-03-22 | 2021-08-20 | 同盾控股有限公司 | 一种图片类别的识别方法和装置 |
CN110097554B (zh) * | 2019-04-16 | 2023-03-31 | 东南大学 | 基于密集卷积和深度可分离卷积的视网膜血管分割方法 |
CN110348541B (zh) * | 2019-05-10 | 2021-12-10 | 腾讯医疗健康(深圳)有限公司 | 眼底血管图像分类方法、装置、设备及存储介质 |
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 |
CN110236483B (zh) * | 2019-06-17 | 2021-09-28 | 杭州电子科技大学 | 一种基于深度残差网络的糖尿病性视网膜病变检测的方法 |
CN110415231A (zh) * | 2019-07-25 | 2019-11-05 | 山东浪潮人工智能研究院有限公司 | 一种基于注意力先验网络的cnv分割方法 |
CN110378895A (zh) * | 2019-07-25 | 2019-10-25 | 山东浪潮人工智能研究院有限公司 | 一种基于深度注意力学习的乳腺癌图像识别方法 |
CN111445440B (zh) * | 2020-02-20 | 2023-10-31 | 上海联影智能医疗科技有限公司 | 一种医学图像分析方法、设备和存储介质 |
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*** |
CN111493836B (zh) * | 2020-05-31 | 2022-06-03 | 天津大学 | 基于脑机接口和深度学习的术后急性疼痛预测***及应用 |
CN113837985B (zh) * | 2020-06-24 | 2023-11-07 | 上海博动医疗科技股份有限公司 | 用于血管造影图像处理的训练方法和装置、自动处理方法和装置 |
CN111626379B (zh) * | 2020-07-07 | 2024-01-05 | 中国计量大学 | 肺炎x光图像检测方法 |
CN112716446B (zh) * | 2020-12-28 | 2023-03-24 | 深圳硅基智能科技有限公司 | 高血压性视网膜病变的病变特征的测量方法及测量*** |
CN112862789B (zh) * | 2021-02-10 | 2023-06-13 | 上海大学 | 基于机器学习的交互式图像分割方法 |
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 |
CN113326851B (zh) * | 2021-05-21 | 2023-10-27 | 中国科学院深圳先进技术研究院 | 图像特征提取方法、装置、电子设备及存储介质 |
CN113793348B (zh) * | 2021-09-24 | 2023-08-11 | 河北大学 | 一种视网膜血管分割方法和装置 |
CN113902099B (zh) * | 2021-10-08 | 2023-06-02 | 电子科技大学 | 基于软硬件联合学习的神经网络设计与优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999905A (zh) * | 2012-11-15 | 2013-03-27 | 天津工业大学 | 基于自适应pcnn的眼底图像血管自动检测方法 |
CN104835150A (zh) * | 2015-04-23 | 2015-08-12 | 深圳大学 | 一种基于学习的眼底血管几何关键点图像处理方法及装置 |
CN106408562A (zh) * | 2016-09-22 | 2017-02-15 | 华南理工大学 | 基于深度学习的眼底图像视网膜血管分割方法及*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663416B (zh) * | 2012-03-20 | 2014-05-21 | 苏州迪凯尔医疗科技有限公司 | 手术规划***中内脏及其内部血管的分割方法 |
US9675247B2 (en) * | 2014-12-05 | 2017-06-13 | Ricoh Co., Ltd. | Alpha-matting based retinal vessel extraction |
US9836849B2 (en) * | 2015-01-28 | 2017-12-05 | University Of Florida Research Foundation, Inc. | Method for the autonomous image segmentation of flow systems |
US10405739B2 (en) * | 2015-10-23 | 2019-09-10 | International Business Machines Corporation | Automatically detecting eye type in retinal fundus images |
-
2017
- 2017-06-20 CN CN201710469436.9A patent/CN107292887B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999905A (zh) * | 2012-11-15 | 2013-03-27 | 天津工业大学 | 基于自适应pcnn的眼底图像血管自动检测方法 |
CN104835150A (zh) * | 2015-04-23 | 2015-08-12 | 深圳大学 | 一种基于学习的眼底血管几何关键点图像处理方法及装置 |
CN106408562A (zh) * | 2016-09-22 | 2017-02-15 | 华南理工大学 | 基于深度学习的眼底图像视网膜血管分割方法及*** |
Non-Patent Citations (3)
Title |
---|
Retinal vessel segmentation via deep learning network and fully-connected conditional random fields;Huazhu F.等;《2016 IEEE 13th International Symposium on Biomedical Imaging (ISBI)》;20160616;第698-701页 * |
Size-Invariant Fully Convolutional Neural Network for vessel segmentation of digital retinal images;Yuansheng L.等;《2016 Asia-Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA)》;20170119;第1-7页 * |
视网膜血管分割算法研究;王昕 等;《吉林大学学报(信息科学版)》;20160930;第34卷(第5期);第587-593页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107292887A (zh) | 2017-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292887B (zh) | 一种基于深度学习自适应权重的视网膜血管分割方法 | |
CN109345538B (zh) | 一种基于卷积神经网络的视网膜血管分割方法 | |
CN108596258B (zh) | 一种基于卷积神经网络随机池化的图像分类方法 | |
CN111652321B (zh) | 一种基于改进yolov3算法的海上船舶检测方法 | |
CN110097554B (zh) | 基于密集卷积和深度可分离卷积的视网膜血管分割方法 | |
CN107506761B (zh) | 基于显著性学习卷积神经网络的脑部图像分割方法及*** | |
CN110188824B (zh) | 一种小样本植物病害识别方法及*** | |
CN110930416B (zh) | 一种基于u型网络的mri图像***分割方法 | |
CN111784628B (zh) | 基于有效学习的端到端的结直肠息肉图像分割方法 | |
Xiancheng et al. | Retina blood vessel segmentation using a U-net based Convolutional neural network | |
Cherukuri et al. | Deep retinal image segmentation with regularization under geometric priors | |
CN111354017A (zh) | 一种基于孪生神经网络及平行注意力模块的目标跟踪方法 | |
CN109711426B (zh) | 一种基于gan和迁移学习的病理图片分类装置及方法 | |
CN110276745B (zh) | 一种基于生成对抗网络的病理图像检测算法 | |
CN115661144B (zh) | 基于可变形U-Net的自适应医学图像分割方法 | |
WO2019136772A1 (zh) | 一种模糊图像的复原方法、装置、设备及存储介质 | |
CN113205537B (zh) | 基于深度学习的血管图像分割方法、装置、设备及介质 | |
CN112950561B (zh) | 光纤端面缺陷检测方法、设备及存储介质 | |
CN111815563B (zh) | 一种U-Net与区域增长PCNN相结合的视网膜视盘分割方法 | |
CN111028201B (zh) | 一种基于多尺度水平集的眼底血管图像分割***及方法 | |
CN112509092B (zh) | 基于卷积生成对抗网络的乳腺X-ray图像自动生成方法 | |
CN112163599A (zh) | 一种基于多尺度多层次融合的图像分类方法 | |
CN114648806A (zh) | 一种多机制自适应的眼底图像分割方法 | |
CN114897782B (zh) | 基于生成式对抗网络的胃癌病理切片图像分割预测方法 | |
CN111626379B (zh) | 肺炎x光图像检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |