一种血管图像分割方法、系统、电子设备及存储介质

本技术涉及医学图像处理，尤其涉及一种血管图像分割方法、系统、电子设备及存储介质。

背景技术：

1、视网膜血管图像对眼科和心血管疾病有密切相关，从血管初始医学图像中对血管进行分割，对疾病的研究、相关治疗计划和导航的指定有重要作用，但视网膜血管图像中血管存在复杂空间拓扑形态，且不同粗细血管之间存在极大的差异化，通过医学专家手工对视网膜血管图像中的血管进行精细分割难度极高，且分割结果往往因医学专家经验不同而不同；随着计算机技术和人工智能技术的发展，通过基于计算机视觉、机器学习、深度学习的血管分割模型对视网膜血管图像进行分割，但现有的方法对于薄而脆弱血管的特征信息提取不足，对视网膜血管的复杂拓扑形态识别正确率不高，导致血管分割准确率不高。

技术实现思路

1、本技术实施例的目的主要是提供一种血管图像分割方法、系统、电子设备及存储介质，能够提高血管分割准确率。

2、为实现上述目的，本技术实施例的一方面提供了一种血管图像分割方法，所述方法包括：

3、获取待分割血管图像，对所述待分割血管图像进行预处理操作，得到第一图像集；

4、对所述第一图像集进行特征提取操作，得到第一特征图集；对所述第一特征图集进行特征融合操作，得到第二特征图，并计算第一损失函数值；

5、对所述第二特征图进行判别操作，并计算得到第二损失函数值；将所述第一损失函数值与第一预设值进行比较，将所述第二损失函数值与第二预设值进行比较；其中，所述判别操作包括粗粒度判别操作与细粒度判别操作；

6、若所述第一损失函数值不满足所述第一预设值，或所述第二损失函数值不满足所述第二预设值，根据第一预设算法对所述第二特征图进行更新，根据更新的第二特征图对所述第一损失函数值进行更新，并返回执行对所述第二特征图进行判别操作，并计算得到第二损失函数值，直至所述第一损失函数值收敛于所述第一预设值，且所述第二损失函数值收敛于所述第二预设值，将所述第二特征图作为分割结果。

7、在一些实施例中，所述对所述第一图像集进行特征提取操作，得到第一特征图集，具体包括：

8、对所述第一图像集进行残差卷积操作，得到第三特征图集；

9、对所述第三特征图集进行采样操作，得到第一采样图集；对所述第三特征图集进行残差卷积操作，得到第四特征图集；其中，所述采样操作包括上采样操作或下采样操作；

10、对所述第一采样图集和所述第四特征图集进行空间特征融合操作，得到第五特征图集；

11、对所述第五特征图集进行残差卷积操作或采样操作，得到第六特征图集；对所述第六特征图集进行空间特征融合操作，得到所述第一特征图集。

12、在一些实施例中，所述对所述第三特征图集进行采样操作，得到第一采样图集，具体包括：

13、对所述第三特征图集进行第一卷积操作，得到第一子特征图集；对所述第一子特征图集进行批量归一化操作和随机失活处理，得到第二子特征图集；其中，所述第一卷积操作包括常规卷积操作和转置卷积操作；

14、根据预设激活函数对所述第二子特征图集进行处理，得到第三子特征图集；根据所述第三特征图集与所述第三子特征图集进行拼接操作，得到第四子特征图集；

15、根据所述预设激活函数对所述第四子特征图集进行处理，得到所述第一采样图集。

16、在一些实施例中，所述对所述第三特征图集进行残差卷积操作，得到第四特征图集，具体包括：

17、对所述第三特征图集进行卷积操作，得到第五子特征图集；对所述第三特征图集进行卷积操作和批量归一化处理，得到第六子特征图集；

18、对所述第五子特征图集进行批量归一化操作和随机失活处理，得到第七子特征图集；根据预设激活函数对所述第七子特征图集进行处理，得到第八子特征图集；对所述第八子特征图集进行卷积操作，得到第九子特征图集；对所述第九子特征图集进行批量归一化操作和随机失活处理，得到第十子特征图集；

19、对所述第六子特征图集和所述第十子特征图集进行拼接操作，得到第十一子特征图集；根据所述预设激活函数对所述第十一子特征图集进行处理，得到所述第四特征图集。

20、在一些实施例中，所述对所述第一采样图集和所述第四特征图集进行空间特征融合操作，得到第五特征图集，具体包括：

21、对所述第一采样图集与所述第四特征图集进行堆叠，得到第七特征图集；对所述第七特征图集进行空间信息提取，得到第八特征图集；对所述第七特征图集进行深度特征提取，得到第九特征图集；对所述第七特征图集进行卷积操作，得到第十特征图集；

22、对所述第八特征图集、所述第九特征图集以及所述第十特征图集进行拼接，得到第十一特征图集；对所述第十一特征图集进行批量归一化处理，得到所述第五特征图集。

23、在一些实施例中，所述第一损失函数值根据第一预设公式计算得到；其中，所述第一预设公式为：

24、

25、其中，为所述第一损失函数值，为对抗损失函数值，为二元交叉熵损失函数值，为拓扑连通性损失函数值，γ为的权重因子，δ为的权重因子。

26、在一些实施例中，所述对所述第二特征图进行判别操作，并计算得到第二损失函数值，具体包括：

27、对所述第二特征图进行粗粒度判别卷积操作，得到粗粒度图像；对所述第二特征图进行细粒度判别卷积操作，得到细粒度图像；

28、根据所述粗粒度图像与所述第二特征图计算粗粒度损失函数值，根据所述细粒度图像与所述第二特征图计算细粒度损失函数值；

29、根据所述粗粒度损失函数值、所述细粒度损失函数值与第二预设公式进行计算，得到所述第二损失函数值。

30、在一些实施例中，所述第二预设公式包括：

31、

32、其中，为判别器的总损失函数值，为粗粒度判别器的损失函数值，为细粒度判别器的损失函数值，α为粗粒度判别器的权重因子，β为细粒度判别器的权重因子。

33、为实现上述目的，本技术实施例的另一方面提供了一种血管图像分割系统，所述系统包括：

34、第一模块，用于获取待分割血管图像，对所述待分割血管图像进行预处理操作，得到第一图像集；

35、第二模块，用于对所述第一图像集进行特征提取操作，得到第一特征图集；对所述第一特征图集进行特征融合操作，得到第二特征图，并计算第一损失函数值；

36、第三模块，用于对所述第二特征图进行判别操作，并计算得到第二损失函数值；将所述第一损失函数值与第一预设值进行比较，将所述第二损失函数值与第二预设值进行比较；其中，所述判别操作包括粗粒度判别操作与细粒度判别操作；

37、第四模块，用于若所述第一损失函数值不满足所述第一预设值，或所述第二损失函数值不满足所述第二预设值，根据第一预设算法对所述第二特征图进行更新，根据更新的第二特征图对所述第一损失函数值进行更新，并返回执行对所述第二特征图进行判别操作，并计算得到第二损失函数值，直至所述第一损失函数值收敛于所述第一预设值，且所述第二损失函数值收敛于所述第二预设值，将所述第二特征图作为分割结果。

38、为实现上述目的，本技术实施例的另一方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现前面所述的方法。

39、为实现上述目的，本技术实施例的另一方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现前面所述的方法。

40、实施本技术实施例包括以下有益效果：本技术实施例提供一种血管图像分割方法、系统、电子设备及存储介质，该方案通过获取待分割血管图像，对待分割血管图像进行预处理，得到第一图像集，对第一图像集进行特征提取，得到第一特征图集进行特征融合，得到第二特征图并计算第一损失函数值，对第二特征图进行判别，并计算第二损失函数值，将第一损失函数值与第一预设值比较，将第二损失函数值与第二预设值比较，若损失函数值不满足对应的预设值，根据第一预设算法对第二特征图进行更新，并更新对应的损失函数值，并对更新的第二特征图进行判别，直至损失函数值收敛于对应的预设值，将更新的第二特征图作为分割结果；通过对待分割的血管图像进行预处理，丰富其中的特征信息；对血管图像进行特征提取和特征融合，得到血管图像中不同尺度的空间特征和深度信息，丰富血管图像中薄而脆弱血管特征信息，通过特征融合丰富对视网膜血管复杂拓扑形态的特征信息，进而提高血管图像分割的精准度；对得到的第二特征图进行判别，得到损失函数，基于损失函数和预设值对血管图像分割结果进行约束，提高血管图像分割的精准度。