一种视网膜血管成像分割方法、装置、设备及介质与流程

本发明涉及图像分割，特别涉及一种视网膜血管成像分割方法、装置、设备及介质。

背景技术：

1、目前视网膜血管形态复杂，存在分叉、迂曲等情况，相较于其他人体部位的血管图像分割难度大，但是视网膜血管分割有多种实现路径，如基于阈值的血管分割、基于滤波器的血管分割的血管分割图像分割等方法。

2、（1）基于阈值的血管分割：是利用全局阈值或自适应阈值直接对octa（opticalcoherence tomography angiography，光学相干断层扫描血管成像）图像进行二值化。此方法运用的前提是目前物体的边界像素点与相邻像素点差值大，进而利用研究人员设定的规则将其与背景分割开，进而得到的掩模。但octa图像存在大量的血管与周边组织和（或）噪声混杂的情况，因此使用此办法将导致许多微血管信号的丢失。

3、（2）基于滤波器的血管分割：可以抑制octa图像中的噪声，更好地显示微血管，但其定量性能远不如阈值法，此外，它们的性能取决于研究人员对滤波器参数的调校，需要极高的学习成本。

4、综上，在面对视网膜血管图像时，如何最大程度的检测图像中细小的血管结构，并保留血管信息，且精准的分割大血管微血管、精准区分动静脉是本领域有待解决的技术问题。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种视网膜血管成像分割方法、装置、设备及介质，能够面对视网膜血管图像时，最大程度的检测图像中细小的血管结构，并保留血管信息，且精准的分割大血管微血管、精准区分动静脉。其具体方案如下：

2、第一方面，本技术公开了一种视网膜血管成像分割方法，包括：

3、获取采用预设血管成像方式对视网膜血管成像后产生的待分割视网膜血管图像；

4、将所述待分割视网膜血管图像输入至训练后的目标血管分割模型，以便通过所述目标血管分割模型中的目标全血管识别子模型、目标大血管识别子模型、目标动脉血管识别子模型、目标静脉血管识别子模型分别对所述待分割视网膜血管图像进行全血管识别、大血管识别、动脉血管识别和静脉血管识别，并分别得到对应的过程血管识别图像；

5、通过所述目标血管识别分割模型对所述过程血管识别图像进行二值化处理，以得到二值化后全血管图像、二值化后大血管图像、二值化后动脉血管图像、二值化后静脉血管图像。

6、可选的，所述将所述待分割视网膜血管图像输入至训练后的目标血管分割模型之前，还包括：

7、利用携带血管标签数据的视网膜血管训练图像对u2-net模型进行模型训练，以便所述u2-net模型的卷积层利用卷积核基于所述血管标签数据在所述视网膜血管训练图像上滑动，计算每个图像位置的卷积特征，以得到特征图；

8、通过所述u2-net模型的池化层对所述特征图进行池化操作，以减小所述特征图的尺寸并提取包含血管中心位置、血管边缘位置的目标特征；

9、通过所述u2-net模型的u型残差块结构提取所述特征图的包含血管微小结构、血管分支的局部特征；

10、通过所述u2-net模型的反卷积层并基于所述血管标签数据对目标特征和局部特征执行反卷积操作，以更新所述u2-net模型的模型参数，得到训练后的目标血管分割模型。

11、可选的，所述利用携带血管标签数据的视网膜血管训练图像对u2-net模型进行模型训练，以便所述u2-net模型的卷积层利用卷积核基于所述血管标签数据在所述视网膜血管训练图像上滑动，计算每个图像位置的卷积特征，以得到特征图，包括：

12、根据所述血管标签数据中标注的训练图像中各血管类型、各血管位置、各血管形状、各血管边界的标签信息作为的监督信号，通过所述u2-net模型的卷积层对视网膜血管训练图像进行卷积操作，计算每个图像位置的卷积特征，以得到特征图。

13、可选的，通过所述u2-net模型的池化层提取所述特征图的包含血管中心位置、血管边缘位置的目标特征，包括：

14、通过所述u2-net模型的池化层提取所述特征图的包含血管中心位置、血管边缘位置的目标特征，以训练所述u2-net模型理解血管在血管图像中的位置和关系，得到图像上下文信息。

15、可选的，所述通过所述u2-net模型的反卷积层并基于所述血管标签数据对目标特征和局部特征执行反卷积操作，以更新所述u2-net模型的模型参数，得到训练后的目标血管分割模型，包括：

16、通过所述u2-net模型的反卷积层并基于所述血管标签数据中的各血管类型、各血管边界对目标特征和局部特征执行反卷积操作，以更新所述u2-net模型的模型参数，得到训练后的包含目标全血管识别子模型、目标大血管识别子模型、目标动脉血管识别子模型、目标静脉血管识别子模型的目标血管分割模型。

17、可选的，所述通过所述u2-net模型的反卷积层并基于所述血管标签数据对目标特征和局部特征执行反卷积操作，以更新所述u2-net模型的模型参数，得到训练后的目标血管分割模型，包括：

18、通过所述u2-net模型的反卷积层并基于所述血管标签数据对目标特征和局部特征执行反卷积操作，以得到反卷积操作后目标特征图；

19、对所述反卷积操作后目标特征图的图像尺寸放大到与所述视网膜血管训练图像相同尺寸，以得到放大后目标特征图；

20、计算所述放大后目标特征图与所述血管标签数据之间的损失值，以根据所述损失值反向更新所述u2-net模型的模型参数，得到训练后的目标血管分割模型。

21、可选的，所述计算所述放大后目标特征图与所述血管标签数据之间的损失值，以根据所述损失值反向更新所述u2-net模型的模型参数，得到训练后的目标血管分割模型，包括：

22、通过交叉熵损失函数计算所述放大后目标特征图的对应预测血管类型信息的概率分布与所述血管标签数据中标准血管类型的概率分布之间的交叉熵损失值；

23、根据所述交叉熵损失值并通过反向传播算法计算每个模型参数对所述交叉熵损失值的梯度信息；

24、利用预设梯度下降算法根据所述梯度信息更新所述u2-net模型的模型参数；

25、重复执行利用预设梯度下降算法根据所述梯度信息更新所述u2-net模型的模型参数，以得到训练后的目标血管分割模型。

26、第二方面，本技术公开了一种视网膜血管成像分割装置，包括：

27、图像获取模块，用于获取采用预设血管成像方式对视网膜血管成像后产生的待分割视网膜血管图像；

28、图像识别模块，用于将所述待分割视网膜血管图像输入至训练后的目标血管分割模型，以便通过所述目标血管分割模型中的目标全血管识别子模型、目标大血管识别子模型、目标动脉血管识别子模型、目标静脉血管识别子模型分别对所述待分割视网膜血管图像进行全血管识别、大血管识别、动脉血管识别和静脉血管识别，并分别得到对应的过程血管识别图像；

29、图像分割模块，用于通过所述目标血管识别分割模型对所述过程血管识别图像进行二值化处理，以得到二值化后全血管图像、二值化后大血管图像、二值化后动脉血管图像、二值化后静脉血管图像。

30、第三方面，本技术公开了一种电子设备，包括：

31、存储器，用于保存计算机程序；

32、处理器，用于执行所述计算机程序，以实现前述公开的视网膜血管成像分割方法的步骤。

33、第四方面，本技术公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的视网膜血管成像分割方法的步骤。

34、可见，本技术公开了一种视网膜血管成像分割方法，包括：获取采用预设血管成像方式对视网膜血管成像后产生的待分割视网膜血管图像；将所述待分割视网膜血管图像输入至训练后的目标血管分割模型，以便通过所述目标血管分割模型中的目标全血管识别子模型、目标大血管识别子模型、目标动脉血管识别子模型、目标静脉血管识别子模型分别对所述待分割视网膜血管图像进行全血管识别、大血管识别、动脉血管识别和静脉血管识别，并分别得到对应的过程血管识别图像；通过所述目标血管识别分割模型对所述过程血管识别图像进行二值化处理，以得到二值化后全血管图像、二值化后大血管图像、二值化后动脉血管图像、二值化后静脉血管图像。由此可见，通过目标血管分割模型能够捕捉到图像中更细微的血管特征，提供更精确的分割结果，并且训练后的目标血管分割模型能够处理血管的复杂形态和变化，提高分割的准确性，相较于现有技术在进行血管分割时采用对原始图像的图像处理后得到的处理后图像直接定性、定量的分割方式，训练后的目标血管分割模型降低对人工设定阈值或滤波器的依赖，对不同个体的视网膜图像具有更好的适应性，且提高自动化程度。并且通过目标血管识别分割模型可以精确分割原始输入图像，直接输出不同类型的二值化后血管图像，提供更全面的信息。