CN108986124A - 结合多尺度特征卷积神经网络视网膜血管图像分割方法 - Google Patents
结合多尺度特征卷积神经网络视网膜血管图像分割方法 Download PDFInfo
- Publication number
- CN108986124A CN108986124A CN201810635753.8A CN201810635753A CN108986124A CN 108986124 A CN108986124 A CN 108986124A CN 201810635753 A CN201810635753 A CN 201810635753A CN 108986124 A CN108986124 A CN 108986124A
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- retinal
- neural networks
- convolutional
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 26
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 230000002792 vascular Effects 0.000 title claims abstract description 20
- 230000002207 retinal effect Effects 0.000 title claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 49
- 210000001210 retinal vessel Anatomy 0.000 claims abstract description 29
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000005520 cutting process Methods 0.000 claims abstract description 7
- 230000004256 retinal image Effects 0.000 claims abstract description 7
- 230000003321 amplification Effects 0.000 claims abstract description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 6
- 239000010931 gold Substances 0.000 claims description 6
- 229910052737 gold Inorganic materials 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 239000011800 void material Substances 0.000 claims description 4
- 230000004233 retinal vasculature Effects 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000003475 lamination Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000004220 fundus oculi Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000002177 Cataract Diseases 0.000 description 1
- 206010012689 Diabetic retinopathy Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 206010064930 age-related macular degeneration Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000002780 macular degeneration Diseases 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
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
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像处理技术领域,为实现视网膜血管的自动提取与分割,提高对血管阴影与组织形变等因素的抗干扰能力,使血管分割结果的平均准确率更高。本发明,结合多尺度特征卷积神经网络视网膜血管图像分割方法。首先,对视网膜图像进行适当地预处理,包括进行限制性对比度自适应直方图均衡处理和伽马亮度调整;同时,针对视网膜图像数据较少的问题进行数据扩增,对实验图像进行裁剪分块,其次,通过构建结合多尺度特征的视网膜血管分割网络,将空间金字塔空洞池化引入编码—解码器结构卷积神经网络,通过多次迭代,自主进行模型参数的优化,实现像素级视网膜血管自动分割过程,得到视网膜血管分割图。本发明主要应用于医疗器械的设计制造场合。
Description
技术领域
本发明属于人工智能领域与医学图像处理领域相结合,涉及一种基于结合多尺度特征的卷积神经网络的视网膜血管分割方法,能够实现自动地提取和分割血管树图像。
背景技术
在众多眼底疾病中,白内障、青光眼、老年黄斑变性及糖尿病视网膜病变是四大致盲诱因,发病率高且危害严重。由于眼底是人体唯一能够直接观察到血管的部位,因此对眼底图像的分析和处理成为预防和诊断眼底疾病的主要方式。其中,眼底图像血管分割是重要的疾病定量分析手段,许多研究针对眼底图像的血管分割展开。然而目前视网膜血管的分割主要依靠专家进行手工标记,诊断过程耗费大量时间,因此研究一种自动化提取血管的方法尤为重要。
目前,眼底图像的血管分割方法主要分为无监督与监督的方法。无监督的方法利用图像特征之间的关系设计某种规则来提取目标血管,主要包括匹配滤波法、形态学分析、血管追踪、均值聚类算法等。有监督的方法通过提取特征,引入监督信息构造像素分类器,能够获得更好的分割效果。特征提取通常包括Gabor滤波、高斯匹配滤波等方法。像素分类方法一般包括朴素贝叶斯、SVM、随机森林等分类器。然而,传统的监督方法需要手工设计相关特征,在参数优化上需要耗费大量精力和时间,同时此方式受设计者主观经验影响较大。
近年来,深度学习尤其是卷积神经网络理论的快速发展,在工业界和学术界掀起了一股研究热潮,图像分割可以看作是一种像素分类问题,基于深度学习的像素级图像分割方法的主要思想是利用卷积神经网络自动提取图像特征,并从反馈网络学习到监督信息,再利用反卷积操作扩大图像分辨率,恢复原始图像尺寸,得到分割后的结果。
发明内容
为克服现有技术的不足,本发明旨在实现视网膜血管的自动提取与分割,提高对血管阴影与组织形变等因素的抗干扰能力,使血管分割结果的平均准确率更高。为此,本发明采用的技术方案是,结合多尺度特征卷积神经网络视网膜血管图像分割方法。首先,对视网膜图像进行适当地预处理,包括进行限制性对比度自适应直方图均衡处理和伽马亮度调整;同时,针对视网膜图像数据较少的问题进行数据扩增,对实验图像进行裁剪分块,其次,通过构建结合多尺度特征的视网膜血管分割网络,将空间金字塔空洞池化引入编码—解码器结构卷积神经网络,通过多次迭代,自主进行模型参数的优化,实现像素级视网膜血管自动分割过程,得到视网膜血管分割图。
具体细化步骤如下:
步骤1:对视网膜血管图像进行预处理
1)将彩色眼底图像转化为灰度图像;
2)图像归一化处理;
3)进行对比度受限的自适应直方图均衡化处理;
4)进行伽马调整,调整图像亮度范围;
5)将图像像素值进行归一化,由[0,255]的范围转化为[0,1];
步骤2:图像分块和构建训练样本,原始图像的尺寸为W×H,图像块的尺寸为p×p,在原始图像中选取一个区域提取图像块,其中横坐标范围为纵坐标范围为在上述区域内随机选取n个点作为图像块的中心,再裁剪出n个尺寸为p×p的图像块作为训练样本,其中,选定的图像块中心需确保在血管图像有效区域内,同时,对视网膜血管分割的标准图也进行同样的预处理,与训练数据一一对应,选取训练图像分块的1/10作为验证集,其余的样本作为训练集;
步骤3:结合多尺度特征的卷积神经网络构建与训练过程;
首先,构造一个编码—解码器结构的U型网络,用于血管图像的特征提取和分辨率恢复,该网络包括五个部分:输入层,卷积层,池化层,上采样层和输出层,构建的网络为:
编码部分:输入层、两个卷积层、第一池化层、两个卷积层、第二池化层、解码部分:第一上采样层、两个卷积层、第二上采样层、两个卷积层、输出层,编码和解码部分构成了一个U型的分割网络;
步骤4:构建测试样本;
步骤5:测试过程,将测试图像块进行同样的预处理,再输入到已经训练好的网络进行测试,得到视网膜血管分割概率图;将分割后的图像块进行拼接,合成原图尺寸,经过二值化后输出得到视网膜血管分割图。
空间金子塔型空洞池化结构:U型网络的第二池化层后面结合一个空间金字塔型的池化结构,该结构由四个不同尺寸的卷积层进行级联:一个1×1的卷积层和三个空洞卷积层,三个空洞卷积的空洞比率rate分别是1、2、4,卷积核都采用3×3的尺寸,随着空洞率增大,卷积操作能够进一步扩大感受野,通过将不同尺寸的空洞卷积层融合,能够将局部细节信息与高级语义信息结合,从而使网络模型学习多层丰富的信息表达;接着将四个并行卷积层的输出特征层进行合并,后面添加一个1×1的卷积层进行批量归一化操作和一个3×3的卷积层,再连接上述U型网络的解码部分;通过梯度下降法对反向传播过程中的参数进行优化,当误差逐渐下降趋于稳定时,网络可以认为已经收敛,输出血管图像对应的标签概率图,得到网络的最优权重和偏移量,保存为该数据库的训练模型。
输入图像为I(x,y),归一化处理过程如下所示:
式中I(x,y)表示(x,y)中的像素值,μ(x,y)表示图像区域像素的均值,σ(x,y)表示图像区域的标准差,Ω表示计算均值和方差的图像区域,i,j区域内坐标点移动的步长,表示归一化后的像素值,m×n代表图像区域像素总数;经过归一化处理,原始图像转化为均值为0,方差为1的图像,表示将归一化图像进行灰度拉伸后的像素值。
构建测试样本时,为了能够完全将图像分成若干相同尺寸的图像块,在图像周围进行零填充,测试图像的尺寸为W×H,图像块尺寸为p×p,其中图像分块的移动步长s×s,具体填充规则如下:
mod=(H-p)%s,mod=(W-p)%s (6)
式中和分别表示填充后的高度和宽度,上述分块得到的图像块的数量m表示为:
本发明的特点及有益效果是:
本发明通过构建基于深度学习的U型网络,能够将底层的局部细节信息与顶层全局特征相结合,学习视网膜图像中各个像素与周围像素的关系,利用血管与非血管的内部特征,实现像素级的血管分割。
本发明结合了空间金字塔型池化结构,扩大了感受野,将多尺度图像特征进行融合,同时空洞卷积大大减少训练参数,极大程度地提高了血管分割的鲁棒性和准确性。
相比基于边缘的分割法、支持向量机、极限学***。
附图说明:
图1为本发明的整体流程图;
图2是训练图像分块的样本效果图:(a)是原始图像的分块图;(b)是对应的专家分割标准图;
图3是结合多尺度特征的卷积神经网络的网络结构;
图4为视网膜血管分割结果:(a)原始图像;(b)预处理后的图像;(c)视网膜血管分割图;(d)第一专家的手动分割图;
图5为分割效果的评估:(a)本发明方法与第二专家分割标准图对比评估指标;(b)ROC曲线示意图。
具体实施方式
本发明提出了一种基于结合多尺度特征的卷积神经网络的视网膜血管分割方法。首先,对视网膜图像进行适当地预处理,包括进行限制性对比度自适应直方图均衡处理和伽马亮度调整。同时,我们针对视网膜图像数据较少的问题进行了数据扩增,对实验图像进行裁剪分块,扩大了本发明的广泛适用性。其次,本发明通过构建结合多尺度特征的视网膜血管分割网络,将空间金字塔空洞池化引入编码—解码器结构卷积神经网络,通过多次迭代自主进行模型参数的优化,实现像素级视网膜血管自动分割过程,得到视网膜血管分割图。一方面编码与解码过程将底层的局部细节信息与顶层全局特征相结合;另一方面引入的空间金字塔空洞卷积池化模块能够扩大感受野,将多尺度图像特征进行融合,同时空洞卷积大大减少训练参数,极大程度地提高了血管分割的鲁棒性和准确性。
具体细化步骤如下:
步骤1:对视网膜血管图像进行预处理。
1)将彩色眼底图像转化为灰度图像。
2)图像归一化处理。为了产生相似数量级像素值的图像,需要对原始图像进行归一化处理。
3)进行对比度受限的自适应直方图均衡化处理。处理后能够提高视网膜眼底图像质量,均衡眼底图像的亮度,使其更适合后续血管提取。
4)进行伽马调整,将图像亮度调整到合适的范围。
5)将图像像素值进行归一化,由[0,255]的范围转化为[0,1]。
步骤2:图像分块和构建训练样本。由于训练样本数量较少,我们需要对图像数据进行数据扩增。假设原始图像的尺寸为W×H,图像块的尺寸为p×p,在原始图像中选取一个区域提取图像块,其中横坐标范围为纵坐标范围为在上述区域内随机选取n个点作为图像块的中心,再裁剪出n个尺寸为p×p的图像块作为训练样本。其中,选定的图像块中心需确保在血管图像有效区域内。同时,我们对视网膜血管分割的标准图也进行了同样的预处理,与训练数据一一对应。我们选取训练图像分块的1/10作为验证集,其余的样本作为训练集。
步骤3:结合多尺度特征的卷积神经网络构建与训练过程。
首先,构造一个编码—解码器结构的U型网络,用于血管图像的特征提取和分辨率恢复。该网络主要包括五个部分:输入层,卷积层,池化层,上采样层(反卷积层)和输出层。本发明中构建的网络为:
编码部分:输入层,两个卷积层(conv1,conv2),第一池化层(pool1),两个卷积层(conv3,conv4),第二池化层(pool2)。解码部分:第一上采样层(up1),两个卷积层(conv7,conv8),第二上采样层(up2),两个卷积层(conv9,conv10),输出层。编码和解码部分构成了一个U型的分割网络。
空间金子塔型空洞池化结构:因为血管图像包含不同尺寸的粗细血管树,为了更好地结合多尺度图像特征,本发明在U型网络的第二池化层(pool2)后面结合了一个空间金字塔型的池化结构。该结构主要由四个不同尺寸的卷积层进行级联:一个1×1的卷积层(conv-s1)和三个空洞卷积层(conv-s2,conv-s3,conv-s4),三个空洞卷积的空洞比率分别是(rate=1,2,4),卷积核都采用3×3的尺寸。随着空洞率增大,卷积操作能够进一步扩大感受野。通过将不同尺寸的空洞卷积层融合,能够将局部细节信息与高级语义信息结合,从而使网络模型学习多层丰富的信息表达。同时,相比普通的卷积操作,空洞卷积又不额外增加参数,大大缩短了训练时间。接着我们将四个并行卷积层的输出特征层进行合并,后面添加一个1×1的卷积层(conv5)进行批量归一化操作和一个3×3的卷积层(conv6),再连接上述U型网络的解码部分。本模型通过梯度下降法对反向传播过程中参数进行优化,当误差逐渐下降趋于稳定时,网络可以认为已经收敛,输出血管图像对应的标签概率图,得到网络的最优权重和偏移量,保存为该数据库的训练模型。
步骤4:构建测试样本。为了能够完全将图像分成若干相同尺寸的图像块,我们在图像周围进行零填充。
步骤5:测试过程。将测试图像块进行同样的预处理,再输入到已经训练好得网络进行测试,得到视网膜血管分割概率图。将分割后的图像块进行拼接,合成原图尺寸,经过二值化后输出得到视网膜血管分割图,呈现出与专家分割一致的二值图。通过对分割结果进行参数评估,本发明达到95%以上的准确率。
下面结合附图进行具体说明:
本发明的技术框图如图1所示。具体细化步骤如下:
步骤1:对视网膜血管图像进行预处理。
1)将彩色眼底图像转化为灰度图像。
2)图像归一化处理。为了产生相似数量级像素值的图像,需要对原始图像进行归一化处理。假设输入图像为I(x,y),处理过程如下所示:
式中I(x,y)表示(x,y)中的像素值,μ(x,y)表示图像区域像素的均值,σ(x,y)表示图像区域的标准差,Ω表示计算均值和方差的图像区域,i,j区域内坐标点移动的步长,表示归一化后的像素值,m×n代表图像区域像素总数。经过归一化处理,原始图像转化为均值为0,方差为1的图像。表示将归一化图像进行灰度拉伸后的像素值。
3)进行对比度受限的自适应直方图均衡化处理。处理后能够提高视网膜眼底图像质量,均衡眼底图像的亮度,使其更适合后续血管提取。
4)进行伽马调整,将图像亮度调整到合适的范围。
5)将图像像素值进行归一化,由[0,255]的范围转化为[0,1]。
步骤2:图像分块和构建训练样本。由于训练样本数量较少,我们需要对图像数据进行数据扩增。假设原始图像的尺寸为W×H,图像块的尺寸为p×p,在原始图像中选取一个区域提取图像块,其中横坐标范围为纵坐标范围为在上述区域内随机选取n个点作为图像块的中心,再裁剪出n个尺寸为p×p的图像块作为训练样本。其中,选定的图像块中心需确保在血管图像有效区域内。本发明中采用的图像块尺寸为32×32。同时,我们对视网膜血管分割的标准图也进行了同样的预处理,与训练数据一一对应。我们选取训练图像分块的1/10作为验证集,其余的样本作为训练集。本发明中图像分块的训练样本和对应的分割标准图样本如图2所示。
步骤3:结合多尺度特征的卷积神经网络构建与训练测试过程。
首先,构造一个编码—解码器结构的U型网络,用于血管图像的特征提取和分辨率恢复。该网络主要包括五个部分:输入层,卷积层,池化层,上采样层(反卷积层)和输出层。本发明中构建的网络为:
编码部分:输入层,两个卷积层(conv1,conv2),第一池化层(pool1),两个卷积层(conv3,conv4),第二池化层(pool2)。解码部分:第一上采样层(up1),两个卷积层(conv7,conv8),第二上采样层(up2),两个卷积层(conv9,conv10),输出层。编码和解码部分构成了一个U型的分割网络。
其中编码部分卷积实现的过程如下:
f(X;W,b)=W*X+b (5)
式子中f(X;W,b)代表为输出的特征图,X是前一层输入的特征图,W和b代表卷积核和偏移量,其中*代表卷积操作。由于编码过程的卷积和池化操作会使特征图变小,为了恢复原图的尺寸,需要使用上采样或反卷积操作扩大分辨率。
本发明中编码部分卷积层采用补零方式得到大小不变的特征图,卷积核都采用3×3的尺寸,步长为1,卷积层后面接一个ReLU的激活函数。池化层采用的池化核尺寸为2×2,步长为2的最大池化层(max-pooling),池化操作一方面有减少参数、降维度的作用,另一方面减少卷积过程参数误差,更多的保留纹理信息,具有旋转不变性。每次池化操作会将特征层的数目翻倍,上采样过程会将特征层数目减半。上采样层进行转置卷积,卷积核采用3×3的尺寸,步长为2,同样采用补零的方式。在最后一层采用1×1的卷积核32个特征图输出为目标映射进行训练。模型采用softmax分类层,损失函数为交叉熵函数,能够通过不间断地对权重参数进行更新和优化。为了防止过拟合,本发明通过数据增强和在每个卷积层后添加随机失活层(dropout)的方式进行优化。
空间金子塔型空洞池化结构:因为血管图像包含不同尺寸的粗细血管树,为了更好地结合多尺度图像特征,本发明在U型网络的第二池化层(pool2)后面结合了一个空间金字塔型的池化结构。该结构主要由四个不同尺寸的卷积层进行级联:一个1×1的卷积层(conv-s1)和三个空洞卷积层(conv-s2,conv-s3,conv-s4),三个空洞卷积的空洞比率分别是(rate=1,2,4),卷积核都采用3×3的尺寸。随着空洞率增大,卷积操作能够进一步扩大感受野。通过将不同尺寸的空洞卷积层融合,能够将局部细节信息与高级语义信息结合,从而使网络模型学习多层丰富的信息表达。同时,相比普通的卷积操作,空洞卷积又不额外增加参数,大大缩短了训练时间。接着我们将四个并行卷积层的输出特征层进行合并,后面添加一个1×1的卷积层(conv5)进行批量归一化操作和一个3×3的卷积层(conv6),再连接上述U型网络的解码部分。其中,四个并行卷积层的特征层数目都为128,合并后特征层数目减少为256。本模型通过梯度下降法对反向传播过程中参数进行优化,当误差逐渐下降趋于稳定时,网络可以认为已经收敛,输出血管图像对应的标签概率图,得到网络的最优权重和偏移量,保存为该数据库的训练模型。本专利提出的结合多尺寸特征的卷积神经网络模型结构如图3所示。
步骤4:对测试图像和对应标准图进行分块。假设测试图像的尺寸为W×H,图像块尺寸为p×p,其中图像分块的移动步长s×s,为了能够完全将图像分成若干相同尺寸的图像块,我们在图像周围进行零填充,填充的规则如下:
mod=(H-p)%s,mod=(W-p)%s (6)
式中和分别表示填充后的高度和宽度。上述分块得到的图像块的数量m可以表示为:
步骤5:将测试图像块进行同样的预处理,再输入到已经训练好得网络进行测试,得到视网膜血管分割概率图。将分割后的图像块进行拼接,合成原图尺寸,经过二值化后输出得到视网膜血管分割图,呈现出与专家分割一致的二值图。通过对分割结果进行参数评估,本专利得到95%以上的准确率,具体分割结果如图4所示。本专利提出的结合多尺度特征的卷积神经网络的网络具有良好的分割效果,在灵敏度、特异性、准确性等指标上优于现有的先进算法。具体的指标评估如图5所示。
尽管上面结合图示对本发明进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨的情况下,还可以作出很多变形,这些均属于本发明的保护之内。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种结合多尺度特征卷积神经网络视网膜血管图像分割方法,其特征是,首先,对视网膜图像进行适当地预处理,包括进行限制性对比度自适应直方图均衡处理和伽马亮度调整;同时,针对视网膜图像数据较少的问题进行数据扩增,对实验图像进行裁剪分块,其次,通过构建结合多尺度特征的视网膜血管分割网络,将空间金字塔空洞池化引入编码—解码器结构卷积神经网络,通过多次迭代,自主进行模型参数的优化,实现像素级视网膜血管自动分割过程,得到视网膜血管分割图。
2.如权利要求1所述的结合多尺度特征卷积神经网络视网膜血管图像分割方法,其特征是,具体细化步骤如下:
步骤1:对视网膜血管图像进行预处理
1)将彩色眼底图像转化为灰度图像;
2)图像归一化处理;
3)进行对比度受限的自适应直方图均衡化处理;
4)进行伽马调整,调整图像亮度范围;
5)将图像像素值进行归一化,由[0,255]的范围转化为[0,1];
步骤2:图像分块和构建训练样本,原始图像的尺寸为W×H,图像块的尺寸为p×p,在原始图像中选取一个区域提取图像块,其中横坐标范围为纵坐标范围为在上述区域内随机选取n个点作为图像块的中心,再裁剪出n个尺寸为p×p的图像块作为训练样本,其中,选定的图像块中心需确保在血管图像有效区域内,同时,对视网膜血管分割的标准图也进行同样的预处理,与训练数据一一对应,选取训练图像分块的1/10作为验证集,其余的样本作为训练集;
步骤3:结合多尺度特征的卷积神经网络构建与训练过程;
首先,构造一个编码—解码器结构的U型网络,用于血管图像的特征提取和分辨率恢复,该网络包括五个部分:输入层,卷积层,池化层,上采样层和输出层,构建的网络为:
编码部分:输入层、两个卷积层、第一池化层、两个卷积层、第二池化层、解码部分:第一上采样层、两个卷积层、第二上采样层、两个卷积层、输出层,编码和解码部分构成了一个U型的分割网络;
步骤4:构建测试样本;
步骤5:测试过程,将测试图像块进行同样的预处理,再输入到已经训练好的网络进行测试,得到视网膜血管分割概率图;将分割后的图像块进行拼接,合成原图尺寸,经过二值化后输出得到视网膜血管分割图。
3.如权利要求2所述的结合多尺度特征卷积神经网络视网膜血管图像分割方法,其特征是,空间金子塔型空洞池化结构:U型网络的第二池化层后面结合一个空间金字塔型的池化结构,该结构由四个不同尺寸的卷积层进行级联:一个1×1的卷积层和三个空洞卷积层,三个空洞卷积的空洞比率rate分别是1、2、4,卷积核都采用3×3的尺寸,随着空洞率增大,卷积操作能够进一步扩大感受野,通过将不同尺寸的空洞卷积层融合,能够将局部细节信息与高级语义信息结合,从而使网络模型学习多层丰富的信息表达;接着将四个并行卷积层的输出特征层进行合并,后面添加一个1×1的卷积层进行批量归一化操作和一个3×3的卷积层,再连接上述U型网络的解码部分;通过梯度下降法对反向传播过程中的参数进行优化,当误差逐渐下降趋于稳定时,网络可以认为已经收敛,输出血管图像对应的标签概率图,得到网络的最优权重和偏移量,保存为该数据库的训练模型。
4.如权利要求2所述的结合多尺度特征卷积神经网络视网膜血管图像分割方法,其特征是,输入图像为I(x,y),归一化处理过程如下所示:
式中I(x,y)表示(x,y)中的像素值,μ(x,y)表示图像区域像素的均值,σ(x,y)表示图像区域的标准差,Ω表示计算均值和方差的图像区域,i,j区域内坐标点移动的步长,表示归一化后的像素值,m×n代表图像区域像素总数;经过归一化处理,原始图像转化为均值为0,方差为1的图像,表示将归一化图像进行灰度拉伸后的像素值。
5.如权利要求2所述的结合多尺度特征卷积神经网络视网膜血管图像分割方法,其特征是,构建测试样本时,为了能够完全将图像分成若干相同尺寸的图像块,在图像周围进行零填充,测试图像的尺寸为W×H,图像块尺寸为p×p,其中图像分块的移动步长s×s,具体填充规则如下:
mod=(H-p)%s,mod=(W-p)%s (6)
式中和分别表示填充后的高度和宽度,上述分块得到的图像块的数量m表示为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810635753.8A CN108986124A (zh) | 2018-06-20 | 2018-06-20 | 结合多尺度特征卷积神经网络视网膜血管图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810635753.8A CN108986124A (zh) | 2018-06-20 | 2018-06-20 | 结合多尺度特征卷积神经网络视网膜血管图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108986124A true CN108986124A (zh) | 2018-12-11 |
Family
ID=64541475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810635753.8A Pending CN108986124A (zh) | 2018-06-20 | 2018-06-20 | 结合多尺度特征卷积神经网络视网膜血管图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108986124A (zh) |
Cited By (70)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544585A (zh) * | 2018-12-19 | 2019-03-29 | 中国石油大学(华东) | 一种基于轻量化卷积神经网络的胆石病ct医疗图像数据增强方法 |
CN109636802A (zh) * | 2019-01-18 | 2019-04-16 | 天津工业大学 | 基于深度卷积神经网络的肺实质经ct图像分割方法 |
CN109685813A (zh) * | 2018-12-27 | 2019-04-26 | 江西理工大学 | 一种自适应尺度信息的u型视网膜血管分割方法 |
CN109727259A (zh) * | 2019-01-07 | 2019-05-07 | 哈尔滨理工大学 | 一种基于残差u-net网络的视网膜图像分割算法 |
CN109784402A (zh) * | 2019-01-15 | 2019-05-21 | 中国第一汽车股份有限公司 | 基于多层次特征融合的快速无人车驾驶场景分割方法 |
CN109859210A (zh) * | 2018-12-25 | 2019-06-07 | 上海联影智能医疗科技有限公司 | 一种医学数据处理装置及方法 |
CN109961446A (zh) * | 2019-03-27 | 2019-07-02 | 深圳视见医疗科技有限公司 | Ct/mr三维图像分割处理方法、装置、设备及介质 |
CN109996071A (zh) * | 2019-03-27 | 2019-07-09 | 上海交通大学 | 基于深度学习的可变码率图像编码、解码***及方法 |
CN110120055A (zh) * | 2019-04-12 | 2019-08-13 | 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 |
CN110136147A (zh) * | 2019-05-21 | 2019-08-16 | 湖北工业大学 | 一种基于U-Net模型的分割医学图像的方法、装置及存储介质 |
CN110189337A (zh) * | 2019-05-31 | 2019-08-30 | 广东工业大学 | 一种自动驾驶图像语义分割方法 |
CN110197491A (zh) * | 2019-05-17 | 2019-09-03 | 上海联影智能医疗科技有限公司 | 图像分割方法、装置、设备和存储介质 |
CN110222726A (zh) * | 2019-05-15 | 2019-09-10 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置及电子设备 |
CN110363776A (zh) * | 2019-06-28 | 2019-10-22 | 联想(北京)有限公司 | 图像处理方法及电子设备 |
CN110414380A (zh) * | 2019-07-10 | 2019-11-05 | 上海交通大学 | 一种基于目标检测的学生行为检测方法 |
CN110472483A (zh) * | 2019-07-02 | 2019-11-19 | 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 |
CN110544261A (zh) * | 2019-09-04 | 2019-12-06 | 东北大学 | 一种基于图像处理的高炉风口喷煤状态检测方法 |
CN110689526A (zh) * | 2019-09-09 | 2020-01-14 | 北京航空航天大学 | 基于视网膜眼底图像的视网膜血管分割方法及*** |
CN110751636A (zh) * | 2019-10-12 | 2020-02-04 | 天津工业大学 | 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法 |
CN110781895A (zh) * | 2019-10-10 | 2020-02-11 | 湖北工业大学 | 一种基于卷积神经网络的图像语义分割方法 |
CN110796162A (zh) * | 2019-09-18 | 2020-02-14 | 平安科技(深圳)有限公司 | 图像识别、训练识别模型的方法、相关设备及存储介质 |
CN110866550A (zh) * | 2019-11-01 | 2020-03-06 | 云南大学 | 卷积神经网络、金字塔条状池化方法及恶意软件分类方法 |
CN110910405A (zh) * | 2019-11-20 | 2020-03-24 | 湖南师范大学 | 基于多尺度空洞卷积神经网络的脑肿瘤分割方法及*** |
CN110992364A (zh) * | 2019-12-31 | 2020-04-10 | 重庆艾可立安医疗器械有限公司 | 视网膜图像识别方法、装置、计算机设备和存储介质 |
CN110991617A (zh) * | 2019-12-02 | 2020-04-10 | 华东师范大学 | 万花筒卷积网络的构建方法 |
CN111000563A (zh) * | 2019-11-22 | 2020-04-14 | 北京理工大学 | 一种视网膜动脉静脉直径比自动测量方法及装置 |
CN111079698A (zh) * | 2019-12-30 | 2020-04-28 | 杭州小马智趣科技有限公司 | 一种七巧板玩具识别的方法和装置 |
CN111080646A (zh) * | 2019-11-25 | 2020-04-28 | 杭州电子科技大学 | 一种基于宽激活卷积神经网络的改进图像分割方法 |
CN111127487A (zh) * | 2019-12-27 | 2020-05-08 | 电子科技大学 | 一种实时多组织医学图像的分割方法 |
CN111145200A (zh) * | 2019-11-13 | 2020-05-12 | 西北大学 | 结合卷积神经网络与循环神经网络的血管中心线追踪方法 |
CN111145170A (zh) * | 2019-12-31 | 2020-05-12 | 电子科技大学 | 一种基于深度学习的医学影像分割方法 |
CN111160114A (zh) * | 2019-12-10 | 2020-05-15 | 深圳数联天下智能科技有限公司 | 手势识别方法、装置、设备及计算机可读存储介质 |
CN111160276A (zh) * | 2019-12-31 | 2020-05-15 | 重庆大学 | 基于遥感影像的u型空洞全卷积分割网络识别模型 |
TWI694414B (zh) * | 2018-12-18 | 2020-05-21 | 國立成功大學 | 卷積神經網路分析方法、電腦程式產品與電子裝置 |
CN111242949A (zh) * | 2020-01-02 | 2020-06-05 | 浙江工业大学 | 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 |
CN111405295A (zh) * | 2020-02-24 | 2020-07-10 | 核芯互联科技(青岛)有限公司 | 一种视频编码单元分割方法、***以及硬件实现方法 |
CN111462013A (zh) * | 2020-04-03 | 2020-07-28 | 西安交通大学 | 一种基于结构化残差学习的单图去雨方法 |
CN111476301A (zh) * | 2019-12-26 | 2020-07-31 | 山东中科先进技术研究院有限公司 | 一种基于机器学习的医学图像分类方法及*** |
CN111488964A (zh) * | 2019-01-29 | 2020-08-04 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、神经网络训练方法及装置 |
CN111524142A (zh) * | 2020-03-10 | 2020-08-11 | 浙江工业大学 | 一种脑血管图像自动分割方法 |
CN111598894A (zh) * | 2020-04-17 | 2020-08-28 | 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*** |
CN111612856A (zh) * | 2020-05-25 | 2020-09-01 | 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 |
CN111666842A (zh) * | 2020-05-25 | 2020-09-15 | 东华大学 | 一种基于双流空洞卷积神经元网络的阴影检测方法 |
CN111862099A (zh) * | 2020-06-04 | 2020-10-30 | 杭州深睿博联科技有限公司 | 基于金字塔架构与由粗到精策略的血管分割方法及装置 |
CN111860233A (zh) * | 2020-07-06 | 2020-10-30 | 中国科学院空天信息创新研究院 | 基于选择注意力网络的sar图像复杂建筑物提取方法及*** |
CN111915612A (zh) * | 2020-07-24 | 2020-11-10 | 山东大学 | 一种基于多编码器卷积神经网络的图像分割方法和*** |
CN112053363A (zh) * | 2020-08-19 | 2020-12-08 | 苏州超云生命智能产业研究院有限公司 | 视网膜血管分割方法、装置及模型构建方法 |
CN112085745A (zh) * | 2020-09-07 | 2020-12-15 | 福建农林大学 | 基于均衡采样拼接的多通道u型全卷积神经网络的视网膜血管图像分割方法 |
CN112102283A (zh) * | 2020-09-14 | 2020-12-18 | 北京航空航天大学 | 一种基于深度多尺度注意力卷积神经网络的视网膜眼底血管分割方法 |
CN112183635A (zh) * | 2020-09-29 | 2021-01-05 | 南京农业大学 | 一种多尺度反卷积网络实现植物叶部病斑分割与识别方法 |
CN112200773A (zh) * | 2020-09-17 | 2021-01-08 | 苏州慧维智能医疗科技有限公司 | 一种基于空洞卷积的编码器和解码器的大肠息肉检测方法 |
CN112215267A (zh) * | 2020-09-25 | 2021-01-12 | 天津大学 | 一种面向高光谱图像的深度空谱子空间聚类方法 |
CN112348825A (zh) * | 2020-10-16 | 2021-02-09 | 佛山科学技术学院 | 一种用于视网膜血流图像分割的DR-U-net网络方法及装置 |
CN112396613A (zh) * | 2020-11-17 | 2021-02-23 | 平安科技(深圳)有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
CN112465834A (zh) * | 2020-11-26 | 2021-03-09 | 中科麦迪人工智能研究院(苏州)有限公司 | 一种血管分割方法及装置 |
CN112508931A (zh) * | 2020-12-18 | 2021-03-16 | 闽江学院 | 基于U-Net和ResNet的白细胞分割方法 |
CN112562058A (zh) * | 2020-11-23 | 2021-03-26 | 西安电子科技大学 | 一种基于迁移学习的颅内血管模拟三维模型快速建立方法 |
CN112634234A (zh) * | 2020-12-24 | 2021-04-09 | 苏州大学 | 眼底医学影像中脉络膜萎缩的分割方法 |
CN112712526A (zh) * | 2020-12-31 | 2021-04-27 | 杭州电子科技大学 | 基于非对称卷积神经网络双通道的视网膜血管分割方法 |
CN113011340A (zh) * | 2021-03-22 | 2021-06-22 | 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*** |
CN113076966A (zh) * | 2020-01-06 | 2021-07-06 | 字节跳动有限公司 | 图像处理方法及装置、神经网络的训练方法、存储介质 |
CN113240677A (zh) * | 2021-05-06 | 2021-08-10 | 浙江医院 | 一种基于深度学习的视网膜视盘分割方法 |
CN113793348A (zh) * | 2021-09-24 | 2021-12-14 | 河北大学 | 一种视网膜血管分割方法和装置 |
CN114693698A (zh) * | 2020-12-30 | 2022-07-01 | 四川大学华西医院 | 一种基于神经网络的计算机辅助肺气道分割方法 |
CN114742917A (zh) * | 2022-04-25 | 2022-07-12 | 桂林电子科技大学 | 一种基于卷积神经网络的ct图像分割方法 |
CN115205300A (zh) * | 2022-09-19 | 2022-10-18 | 华东交通大学 | 基于空洞卷积和语义融合的眼底血管图像分割方法与*** |
CN115294126A (zh) * | 2022-10-08 | 2022-11-04 | 南京诺源医疗器械有限公司 | 一种病理图像的癌细胞智能识别方法 |
CN115444378A (zh) * | 2022-11-10 | 2022-12-09 | 成都成电金盘健康数据技术有限公司 | 一种大型群体伤在线检伤*** |
CN115553786A (zh) * | 2022-09-30 | 2023-01-03 | 哈尔滨理工大学 | 一种基于无监督领域自适应的心梗定位方法 |
CN116269378A (zh) * | 2023-01-09 | 2023-06-23 | 西安电子科技大学 | 一种基于皮肤烟酸反应视频分析的心理健康状态检测装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101526994A (zh) * | 2009-04-03 | 2009-09-09 | 山东大学 | 一种与采集设备无关的指纹图像分割方法 |
CN103996018A (zh) * | 2014-03-03 | 2014-08-20 | 天津科技大学 | 基于4dlbp的人脸识别方法 |
CN106407917A (zh) * | 2016-09-05 | 2017-02-15 | 山东大学 | 基于动态尺度分配的视网膜血管提取方法及*** |
CN106920227A (zh) * | 2016-12-27 | 2017-07-04 | 北京工业大学 | 基于深度学习与传统方法相结合的视网膜血管分割方法 |
CN106952243A (zh) * | 2017-03-14 | 2017-07-14 | 哈尔滨工程大学 | Uuv近海面红外图像自适应归并直方图拉伸增强方法 |
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 |
CN107392244A (zh) * | 2017-07-18 | 2017-11-24 | 厦门大学 | 基于深度神经网络与级联回归的图像美感增强方法 |
US20180114116A1 (en) * | 2016-10-26 | 2018-04-26 | Sentient Technologies (Barbados) Limited | Cooperative evolution of deep neural network structures |
-
2018
- 2018-06-20 CN CN201810635753.8A patent/CN108986124A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101526994A (zh) * | 2009-04-03 | 2009-09-09 | 山东大学 | 一种与采集设备无关的指纹图像分割方法 |
CN103996018A (zh) * | 2014-03-03 | 2014-08-20 | 天津科技大学 | 基于4dlbp的人脸识别方法 |
CN106407917A (zh) * | 2016-09-05 | 2017-02-15 | 山东大学 | 基于动态尺度分配的视网膜血管提取方法及*** |
US20180114116A1 (en) * | 2016-10-26 | 2018-04-26 | Sentient Technologies (Barbados) Limited | Cooperative evolution of deep neural network structures |
CN106920227A (zh) * | 2016-12-27 | 2017-07-04 | 北京工业大学 | 基于深度学习与传统方法相结合的视网膜血管分割方法 |
CN106952243A (zh) * | 2017-03-14 | 2017-07-14 | 哈尔滨工程大学 | Uuv近海面红外图像自适应归并直方图拉伸增强方法 |
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 |
CN107392244A (zh) * | 2017-07-18 | 2017-11-24 | 厦门大学 | 基于深度神经网络与级联回归的图像美感增强方法 |
Cited By (111)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI694414B (zh) * | 2018-12-18 | 2020-05-21 | 國立成功大學 | 卷積神經網路分析方法、電腦程式產品與電子裝置 |
CN109544585A (zh) * | 2018-12-19 | 2019-03-29 | 中国石油大学(华东) | 一种基于轻量化卷积神经网络的胆石病ct医疗图像数据增强方法 |
CN109859210A (zh) * | 2018-12-25 | 2019-06-07 | 上海联影智能医疗科技有限公司 | 一种医学数据处理装置及方法 |
CN109685813A (zh) * | 2018-12-27 | 2019-04-26 | 江西理工大学 | 一种自适应尺度信息的u型视网膜血管分割方法 |
CN109685813B (zh) * | 2018-12-27 | 2020-10-13 | 江西理工大学 | 一种自适应尺度信息的u型视网膜血管分割方法 |
CN109727259A (zh) * | 2019-01-07 | 2019-05-07 | 哈尔滨理工大学 | 一种基于残差u-net网络的视网膜图像分割算法 |
CN109784402A (zh) * | 2019-01-15 | 2019-05-21 | 中国第一汽车股份有限公司 | 基于多层次特征融合的快速无人车驾驶场景分割方法 |
CN109636802A (zh) * | 2019-01-18 | 2019-04-16 | 天津工业大学 | 基于深度卷积神经网络的肺实质经ct图像分割方法 |
CN111488964A (zh) * | 2019-01-29 | 2020-08-04 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、神经网络训练方法及装置 |
CN109961446A (zh) * | 2019-03-27 | 2019-07-02 | 深圳视见医疗科技有限公司 | Ct/mr三维图像分割处理方法、装置、设备及介质 |
CN109996071B (zh) * | 2019-03-27 | 2020-03-27 | 上海交通大学 | 基于深度学习的可变码率图像编码、解码***及方法 |
CN109961446B (zh) * | 2019-03-27 | 2021-06-01 | 深圳视见医疗科技有限公司 | Ct/mr三维图像分割处理方法、装置、设备及介质 |
CN109996071A (zh) * | 2019-03-27 | 2019-07-09 | 上海交通大学 | 基于深度学习的可变码率图像编码、解码***及方法 |
CN110120055A (zh) * | 2019-04-12 | 2019-08-13 | 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 |
CN110222726A (zh) * | 2019-05-15 | 2019-09-10 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置及电子设备 |
CN110197491A (zh) * | 2019-05-17 | 2019-09-03 | 上海联影智能医疗科技有限公司 | 图像分割方法、装置、设备和存储介质 |
CN110197491B (zh) * | 2019-05-17 | 2021-08-17 | 上海联影智能医疗科技有限公司 | 图像分割方法、装置、设备和存储介质 |
CN110136147A (zh) * | 2019-05-21 | 2019-08-16 | 湖北工业大学 | 一种基于U-Net模型的分割医学图像的方法、装置及存储介质 |
CN110189337A (zh) * | 2019-05-31 | 2019-08-30 | 广东工业大学 | 一种自动驾驶图像语义分割方法 |
CN110363776A (zh) * | 2019-06-28 | 2019-10-22 | 联想(北京)有限公司 | 图像处理方法及电子设备 |
CN110472483A (zh) * | 2019-07-02 | 2019-11-19 | 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 |
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 |
CN110414380A (zh) * | 2019-07-10 | 2019-11-05 | 上海交通大学 | 一种基于目标检测的学生行为检测方法 |
CN110544261B (zh) * | 2019-09-04 | 2023-08-29 | 东北大学 | 一种基于图像处理的高炉风口喷煤状态检测方法 |
CN110544261A (zh) * | 2019-09-04 | 2019-12-06 | 东北大学 | 一种基于图像处理的高炉风口喷煤状态检测方法 |
CN110689526B (zh) * | 2019-09-09 | 2022-06-07 | 北京航空航天大学 | 基于视网膜眼底图像的视网膜血管分割方法及*** |
CN110689526A (zh) * | 2019-09-09 | 2020-01-14 | 北京航空航天大学 | 基于视网膜眼底图像的视网膜血管分割方法及*** |
CN110796162A (zh) * | 2019-09-18 | 2020-02-14 | 平安科技(深圳)有限公司 | 图像识别、训练识别模型的方法、相关设备及存储介质 |
WO2021051520A1 (zh) * | 2019-09-18 | 2021-03-25 | 平安科技(深圳)有限公司 | 图像识别、训练识别模型的方法、相关设备及存储介质 |
CN110796162B (zh) * | 2019-09-18 | 2023-08-29 | 平安科技(深圳)有限公司 | 图像识别、训练识别模型的方法、相关设备及存储介质 |
CN110781895B (zh) * | 2019-10-10 | 2023-06-20 | 湖北工业大学 | 一种基于卷积神经网络的图像语义分割方法 |
CN110781895A (zh) * | 2019-10-10 | 2020-02-11 | 湖北工业大学 | 一种基于卷积神经网络的图像语义分割方法 |
CN110751636B (zh) * | 2019-10-12 | 2023-04-21 | 天津工业大学 | 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法 |
CN110751636A (zh) * | 2019-10-12 | 2020-02-04 | 天津工业大学 | 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法 |
CN110866550B (zh) * | 2019-11-01 | 2022-06-14 | 云南大学 | 卷积神经网络、金字塔条状池化方法及恶意软件分类方法 |
CN110866550A (zh) * | 2019-11-01 | 2020-03-06 | 云南大学 | 卷积神经网络、金字塔条状池化方法及恶意软件分类方法 |
CN111145200A (zh) * | 2019-11-13 | 2020-05-12 | 西北大学 | 结合卷积神经网络与循环神经网络的血管中心线追踪方法 |
CN110910405B (zh) * | 2019-11-20 | 2023-04-18 | 湖南师范大学 | 基于多尺度空洞卷积神经网络的脑肿瘤分割方法及*** |
CN110910405A (zh) * | 2019-11-20 | 2020-03-24 | 湖南师范大学 | 基于多尺度空洞卷积神经网络的脑肿瘤分割方法及*** |
CN111000563A (zh) * | 2019-11-22 | 2020-04-14 | 北京理工大学 | 一种视网膜动脉静脉直径比自动测量方法及装置 |
CN111080646B (zh) * | 2019-11-25 | 2023-09-05 | 杭州电子科技大学 | 一种基于宽激活卷积神经网络的改进图像分割方法 |
CN111080646A (zh) * | 2019-11-25 | 2020-04-28 | 杭州电子科技大学 | 一种基于宽激活卷积神经网络的改进图像分割方法 |
CN110991617A (zh) * | 2019-12-02 | 2020-04-10 | 华东师范大学 | 万花筒卷积网络的构建方法 |
CN110991617B (zh) * | 2019-12-02 | 2020-12-01 | 华东师范大学 | 万花筒卷积网络的构建方法 |
CN111160114A (zh) * | 2019-12-10 | 2020-05-15 | 深圳数联天下智能科技有限公司 | 手势识别方法、装置、设备及计算机可读存储介质 |
CN111160114B (zh) * | 2019-12-10 | 2024-03-19 | 深圳数联天下智能科技有限公司 | 手势识别方法、装置、设备及计算机可读存储介质 |
CN111476301A (zh) * | 2019-12-26 | 2020-07-31 | 山东中科先进技术研究院有限公司 | 一种基于机器学习的医学图像分类方法及*** |
CN111127487B (zh) * | 2019-12-27 | 2022-04-19 | 电子科技大学 | 一种实时多组织医学图像的分割方法 |
CN111127487A (zh) * | 2019-12-27 | 2020-05-08 | 电子科技大学 | 一种实时多组织医学图像的分割方法 |
CN111079698A (zh) * | 2019-12-30 | 2020-04-28 | 杭州小马智趣科技有限公司 | 一种七巧板玩具识别的方法和装置 |
CN111145170A (zh) * | 2019-12-31 | 2020-05-12 | 电子科技大学 | 一种基于深度学习的医学影像分割方法 |
CN111160276B (zh) * | 2019-12-31 | 2023-05-12 | 重庆大学 | 基于遥感影像的u型空洞全卷积分割网络识别模型 |
CN110992364B (zh) * | 2019-12-31 | 2023-11-28 | 重庆艾可立安医疗器械有限公司 | 视网膜图像识别方法、装置、计算机设备和存储介质 |
CN111160276A (zh) * | 2019-12-31 | 2020-05-15 | 重庆大学 | 基于遥感影像的u型空洞全卷积分割网络识别模型 |
CN110992364A (zh) * | 2019-12-31 | 2020-04-10 | 重庆艾可立安医疗器械有限公司 | 视网膜图像识别方法、装置、计算机设备和存储介质 |
CN111242949A (zh) * | 2020-01-02 | 2020-06-05 | 浙江工业大学 | 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 |
CN111242949B (zh) * | 2020-01-02 | 2021-06-18 | 浙江工业大学 | 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 |
CN113076966A (zh) * | 2020-01-06 | 2021-07-06 | 字节跳动有限公司 | 图像处理方法及装置、神经网络的训练方法、存储介质 |
CN113076966B (zh) * | 2020-01-06 | 2023-06-13 | 字节跳动有限公司 | 图像处理方法及装置、神经网络的训练方法、存储介质 |
CN111405295A (zh) * | 2020-02-24 | 2020-07-10 | 核芯互联科技(青岛)有限公司 | 一种视频编码单元分割方法、***以及硬件实现方法 |
CN111524142B (zh) * | 2020-03-10 | 2023-06-30 | 浙江工业大学 | 一种脑血管图像自动分割方法 |
CN111524142A (zh) * | 2020-03-10 | 2020-08-11 | 浙江工业大学 | 一种脑血管图像自动分割方法 |
CN111462013B (zh) * | 2020-04-03 | 2022-03-22 | 西安交通大学 | 一种基于结构化残差学习的单图去雨方法 |
CN111462013A (zh) * | 2020-04-03 | 2020-07-28 | 西安交通大学 | 一种基于结构化残差学习的单图去雨方法 |
CN111598894A (zh) * | 2020-04-17 | 2020-08-28 | 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*** |
CN111666842A (zh) * | 2020-05-25 | 2020-09-15 | 东华大学 | 一种基于双流空洞卷积神经元网络的阴影检测方法 |
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 |
CN111612856A (zh) * | 2020-05-25 | 2020-09-01 | 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 |
CN111666842B (zh) * | 2020-05-25 | 2022-08-26 | 东华大学 | 一种基于双流空洞卷积神经元网络的阴影检测方法 |
CN111862099A (zh) * | 2020-06-04 | 2020-10-30 | 杭州深睿博联科技有限公司 | 基于金字塔架构与由粗到精策略的血管分割方法及装置 |
CN111860233A (zh) * | 2020-07-06 | 2020-10-30 | 中国科学院空天信息创新研究院 | 基于选择注意力网络的sar图像复杂建筑物提取方法及*** |
CN111915612A (zh) * | 2020-07-24 | 2020-11-10 | 山东大学 | 一种基于多编码器卷积神经网络的图像分割方法和*** |
CN112053363A (zh) * | 2020-08-19 | 2020-12-08 | 苏州超云生命智能产业研究院有限公司 | 视网膜血管分割方法、装置及模型构建方法 |
CN112053363B (zh) * | 2020-08-19 | 2023-12-15 | 苏州超云生命智能产业研究院有限公司 | 视网膜血管分割方法、装置及模型构建方法 |
CN112085745A (zh) * | 2020-09-07 | 2020-12-15 | 福建农林大学 | 基于均衡采样拼接的多通道u型全卷积神经网络的视网膜血管图像分割方法 |
CN112102283A (zh) * | 2020-09-14 | 2020-12-18 | 北京航空航天大学 | 一种基于深度多尺度注意力卷积神经网络的视网膜眼底血管分割方法 |
CN112102283B (zh) * | 2020-09-14 | 2022-12-16 | 北京航空航天大学 | 一种基于深度多尺度注意力卷积神经网络的视网膜眼底血管分割方法 |
CN112200773A (zh) * | 2020-09-17 | 2021-01-08 | 苏州慧维智能医疗科技有限公司 | 一种基于空洞卷积的编码器和解码器的大肠息肉检测方法 |
CN112215267A (zh) * | 2020-09-25 | 2021-01-12 | 天津大学 | 一种面向高光谱图像的深度空谱子空间聚类方法 |
CN112215267B (zh) * | 2020-09-25 | 2022-11-01 | 天津大学 | 一种面向高光谱图像的深度空谱子空间聚类方法 |
CN112183635A (zh) * | 2020-09-29 | 2021-01-05 | 南京农业大学 | 一种多尺度反卷积网络实现植物叶部病斑分割与识别方法 |
CN112348825A (zh) * | 2020-10-16 | 2021-02-09 | 佛山科学技术学院 | 一种用于视网膜血流图像分割的DR-U-net网络方法及装置 |
CN112396613B (zh) * | 2020-11-17 | 2024-05-10 | 平安科技(深圳)有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
CN112396613A (zh) * | 2020-11-17 | 2021-02-23 | 平安科技(深圳)有限公司 | 图像分割方法、装置、计算机设备及存储介质 |
CN112562058B (zh) * | 2020-11-23 | 2024-02-23 | 西安电子科技大学 | 一种基于迁移学习的颅内血管模拟三维模型快速建立方法 |
CN112562058A (zh) * | 2020-11-23 | 2021-03-26 | 西安电子科技大学 | 一种基于迁移学习的颅内血管模拟三维模型快速建立方法 |
CN112465834B (zh) * | 2020-11-26 | 2024-05-24 | 中科麦迪人工智能研究院(苏州)有限公司 | 一种血管分割方法及装置 |
CN112465834A (zh) * | 2020-11-26 | 2021-03-09 | 中科麦迪人工智能研究院(苏州)有限公司 | 一种血管分割方法及装置 |
CN112508931A (zh) * | 2020-12-18 | 2021-03-16 | 闽江学院 | 基于U-Net和ResNet的白细胞分割方法 |
CN112634234A (zh) * | 2020-12-24 | 2021-04-09 | 苏州大学 | 眼底医学影像中脉络膜萎缩的分割方法 |
CN114693698A (zh) * | 2020-12-30 | 2022-07-01 | 四川大学华西医院 | 一种基于神经网络的计算机辅助肺气道分割方法 |
CN114693698B (zh) * | 2020-12-30 | 2023-06-20 | 四川大学华西医院 | 一种基于神经网络的计算机辅助肺气道分割方法 |
CN112712526B (zh) * | 2020-12-31 | 2024-02-27 | 杭州电子科技大学 | 基于非对称卷积神经网络双通道的视网膜血管分割方法 |
CN112712526A (zh) * | 2020-12-31 | 2021-04-27 | 杭州电子科技大学 | 基于非对称卷积神经网络双通道的视网膜血管分割方法 |
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*** |
CN113011340A (zh) * | 2021-03-22 | 2021-06-22 | 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*** |
CN113240677B (zh) * | 2021-05-06 | 2022-08-02 | 浙江医院 | 一种基于深度学习的视网膜视盘分割方法 |
CN113240677A (zh) * | 2021-05-06 | 2021-08-10 | 浙江医院 | 一种基于深度学习的视网膜视盘分割方法 |
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 |
CN113793348A (zh) * | 2021-09-24 | 2021-12-14 | 河北大学 | 一种视网膜血管分割方法和装置 |
CN114742917B (zh) * | 2022-04-25 | 2024-04-26 | 桂林电子科技大学 | 一种基于卷积神经网络的ct图像分割方法 |
CN114742917A (zh) * | 2022-04-25 | 2022-07-12 | 桂林电子科技大学 | 一种基于卷积神经网络的ct图像分割方法 |
CN115205300B (zh) * | 2022-09-19 | 2022-12-09 | 华东交通大学 | 基于空洞卷积和语义融合的眼底血管图像分割方法与*** |
CN115205300A (zh) * | 2022-09-19 | 2022-10-18 | 华东交通大学 | 基于空洞卷积和语义融合的眼底血管图像分割方法与*** |
CN115553786A (zh) * | 2022-09-30 | 2023-01-03 | 哈尔滨理工大学 | 一种基于无监督领域自适应的心梗定位方法 |
CN115553786B (zh) * | 2022-09-30 | 2024-05-28 | 哈尔滨理工大学 | 一种基于无监督领域自适应的心梗定位方法 |
CN115294126B (zh) * | 2022-10-08 | 2022-12-16 | 南京诺源医疗器械有限公司 | 一种病理图像的癌细胞智能识别方法 |
CN115294126A (zh) * | 2022-10-08 | 2022-11-04 | 南京诺源医疗器械有限公司 | 一种病理图像的癌细胞智能识别方法 |
CN115444378A (zh) * | 2022-11-10 | 2022-12-09 | 成都成电金盘健康数据技术有限公司 | 一种大型群体伤在线检伤*** |
CN116269378B (zh) * | 2023-01-09 | 2023-11-17 | 西安电子科技大学 | 一种基于皮肤烟酸反应视频分析的心理健康状态检测装置 |
CN116269378A (zh) * | 2023-01-09 | 2023-06-23 | 西安电子科技大学 | 一种基于皮肤烟酸反应视频分析的心理健康状态检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986124A (zh) | 结合多尺度特征卷积神经网络视网膜血管图像分割方法 | |
CN107437092B (zh) | 基于三维卷积神经网络的视网膜oct图像的分类方法 | |
CN106920227B (zh) | 基于深度学习与传统方法相结合的视网膜血管分割方法 | |
CN108805209B (zh) | 一种基于深度学习的肺结节筛查方法 | |
CN106408562B (zh) | 基于深度学习的眼底图像视网膜血管分割方法及*** | |
CN112132817B (zh) | 一种混合注意力机制的眼底图像视网膜血管分割方法 | |
CN109376636B (zh) | 基于胶囊网络的眼底视网膜图像分类方法 | |
EP3783533A1 (en) | Artificial intelligence-based ophthalmic disease diagnostic modeling method, apparatus, and system | |
CN108806792A (zh) | 深度学习面诊*** | |
CN109584246A (zh) | 基于多尺度特征金字塔的dcm心肌诊疗放射影像分割方法 | |
CN103605972B (zh) | 一种基于分块深度神经网络的非限制环境人脸验证方法 | |
CN108615010A (zh) | 基于平行卷积神经网络特征图融合的人脸表情识别方法 | |
CN107169974A (zh) | 一种基于多监督全卷积神经网络的图像分割方法 | |
CN108648191A (zh) | 基于贝叶斯宽度残差神经网络的害虫图像识别方法 | |
Cao et al. | Gastric cancer diagnosis with mask R-CNN | |
CN108765387A (zh) | 基于Faster RCNN乳腺DBT影像肿块自动检测方法 | |
CN114881962B (zh) | 一种基于改进U-Net网络的视网膜图像血管分割方法 | |
CN111815562A (zh) | 一种U-Net与自适应PCNN相结合的视网膜血管分割方法 | |
Paul et al. | Octx: Ensembled deep learning model to detect retinal disorders | |
CN107229937A (zh) | 一种视网膜血管分类方法及装置 | |
Ma et al. | Retinal vessel segmentation based on generative adversarial network and dilated convolution | |
Revathi et al. | Particle Swarm Optimization based Detection of Diabetic Retinopathy using a Novel Deep CNN | |
Tu et al. | DRPAN: a novel adversarial network approach for retinal vessel segmentation | |
Pradhan et al. | Diabetic retinopathy detection on retinal fundus images using convolutional neural network | |
CN106709448A (zh) | 一种基于人脸卷积神经网络的中医体质识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181211 |