欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020105242515
申请人: 三峡大学
专利类型:发明专利
专利状态:授权未缴费
专利领域: 计算;推算;计数
更新日期:2024-01-31
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种U‑Net与自适应PCNN相结合的视网膜血管分割方法,其特征在于:首先原始彩色眼底图像进行预处理;接着使用预处理之后的数据集对深度学习模型进行训练、增强;然后使用改进的U‑Net模型进行二次增强,先将一次增强结果与原彩色图像相融合、灰度化和CLAHE处理,再将图片输入改进的U‑Net模型增强图片质量;将图片再次输入U‑Net,整体性提高图片质量;通过Otsu算法得到目标与背景分割阈值,使用公式得到相关自适应参数,再使用PCNN进行血管分割;

视网膜血管分割方法包括以下步骤:

步骤1:对实验中所选用的眼底图像数据库做数据增广;

步骤2:数据集图片进行灰度化处理;

步骤3:数据集图片进行CLAHE处理,加大视网膜血管与背景之间的对比度;

步骤4:图像分块;

步骤5:U‑Net神经网络模型的搭建、训练以及图片增强;

所述步骤5包括以下步骤:

步骤5.1:针对数据集图片质量参差不齐的问题,搭建U‑Net模型作为预处理神经网络,提升图片质量,U‑Net模型是一个具有U型对称结构的全卷积神经网络,其包括下采样单元、上采样单元,下采样单元由第一卷积层、第一批标准化层、第一激活层、第一正则化层、最大池化层组成,在网络的训练中能够对输入图像进行路径收缩从而捕捉到全局信息,每经过一次下采样单元,输出图像缩小到输入图像的1/4,激活函数采用Leaky‑ReLU函数;

上采样单元由上采样层、第二卷积层、第二批标准化层、第二激活层、第二正则化层组成,每经过一次上采样单元,输出图像扩大到输入图像的4倍;再经过第二卷积层二维卷积,第二批标准化层拉伸第二卷积层输出到正态分布,Leaky‑ReLU激活函数进行非线性映射,第二正则化层以设定的概率丢弃神经元激活值,输出层激活函数为softmax函数;

步骤5.2:在U‑Net模型训练阶段,每一轮训练时我们选取训练集中90%的数据用于训练,将剩余10%的数据用作验证,U‑Net模型中使用交叉熵代价函数计算误差,然后使用随机梯度下降的方式来最小化代价,然后反向传播更新权重和偏置;

步骤5.3:将初步处理过的测试集图片输入训练好的改进U‑Net模型,进行第一次增强;

步骤5.4:初次增强图片进行第二次增强;

步骤6:自适应PCNN神经网络模型的搭建;

所述步骤6具体为:

针对灰度图像的二值分割,构建了自适应PCNN模型,PCNN模型由接受域、调制域、脉冲产生域组成;接受域由连接输入L和反馈输入F组成;调制域主要是产生内部活动项U;脉冲产生域由阈值调节器、脉冲发生器组成;当内部活动项U大于动态门限θ时,神经元点火,Y=

1;PCNN的数学表达式为:

L[n]=∑klWijklYkl[n‑1](2)U[n]=F[n](1+βL[n])(3)

自适应PCNN将图像分成多块,使用OTSU方法计算各个图块目标背景分割阈值T,再使用公式(6)、(7)计算初始点火阈值θ0和连接系数β,θ0=m0+k1*σ0(6)

k1、k2为常数系数,k1∈[1,2],k2∈[0,1];

步骤7:使用自适应PCNN进行血管分割。

2.根据权利要求1所述一种U‑Net与自适应PCNN相结合的视网膜血管分割方法,其特征在于:所述步骤1包括以下步骤:步骤1.1:将DRIVE、STARE和CHASE_DB1三个数据集中的每一幅图片进行水平翻转;

步骤1.2:数据集图片进行垂直翻转;

步骤1.3:数据集图片再进行Gamma变换。

3.根据权利要求1所述一种U‑Net与自适应PCNN相结合的视网膜血管分割方法,其特征在于:所述步骤4包括以下步骤:步骤4.1:训练集图片的分块是在图片中随机选取48×48大小的图片;

步骤4.2:测试集图片分块是在图像中每隔5个像素取一个图像块,将图像分成重叠的

48×48图像块,在边缘以补充0灰度级像素的方式防止像素数量不足的问题出现。

4.根据权利要求1所述一种U‑Net与自适应PCNN相结合的视网膜血管分割方法,其特征在于:所述步骤7包括以下步骤:步骤7.1:将二次增强得到的灰度图像,分割成多块M×N的不重叠图块;

步骤7.2:只保留图块中0.3‑0.7的像素值,其他像素值归0,步骤7.3:各图块将0灰度级像素除去,再使用Otsu计算各自目标背景分割阈值T,再计算初始点火阈值θ0、初始连接系数β;

步骤7.4:将处理之后图块输入到PCNN;

步骤7.5:使用初始点火阈值和连接系数以及公式(2)‑公式(5)进行迭代分割;

步骤7.6:迭代结束后,将PCNN分割结果重组为原始图像大小;

步骤7.7:将分割图像中对应于二次增强图像中0.7以上像素位置的像素置为1,0.3以下的置为0。