(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210805978.X (22)申请日 2022.07.08 (71)申请人 西安科技大 学 地址 710054 陕西省西安市雁塔区雁塔中 路58号 (72)发明人 陈伟　朱振宁　冯蕊　穆倩　 丁婉莹　 (74)专利代理 机构 西安维赛恩专利代理事务所 (普通合伙) 61257 专利代理师 张瑞琪 (51)Int.Cl. G06T 7/10(2017.01) G06T 5/40(2006.01) G06T 5/00(2006.01) G06V 10/26(2022.01)G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于生成式对抗网络的视网膜血管分 割方法 (57)摘要 本发明公开了一种基于生成式对抗网络的 视网膜血管分割方法， 由以下步骤组成： 对眼底 视网膜图像集进行预处理得到训练图像集， 构建 基于GAN的视网膜血管分割模型， 利用训练图像 集对视网膜血管分割模型训练， 利用训练好的视 网膜血管分割模型对待分割的眼底视网膜 图像 进行分割， 输出分割后子图像， 对分割后子图像 进行拼接得到完整视网膜血管分割图像； 本发明 结合Ladder  Net， 在原本的改进U型网络结构中 引入Ladder Net的多对编码器解码器概念， 将两 个改进U型网络并行连接在一起， 并对传统的残 差模块进行改进为参数共享残差模块， 通过设定 了两个共享参数的卷积层组成的循环层用来训 练， 从而用来捕获图像中的复杂特征点， 从而提 高分割精度。 权利要求书1页 说明书7页 附图4页 CN 115035127 A 2022.09.09 CN 115035127 A 1.一种基于生成式对抗网络的视网膜血 管分割方法， 其特 征在于， 由以下步骤组成： 步骤S1： 对眼底视网膜图像集进行 预处理得到训练图像集， 步骤S2： 构建基于GAN的视网膜血 管分割模型， 步骤S3： 利用训练图像集对视网膜血 管分割模型训练， 步骤S4： 利用训练好的视网膜血管分割模型对待分割的眼底视网膜图像进行分割， 输 出分割后子图像， 步骤S5： 对分割后子图像进行拼接得到 完整视网膜血 管分割图像， 其中， 所述视网膜血管分割模型的生成网络为利用Ladder  Net将两个编解码U型网络 并行连接在一 起， 各所述编解码U型网络包括： 依次连接的四个第一结构块、 空洞卷积模块、 四个第二结构块， 各所述第一结构块均包括依次连接的卷积层、 残差模块、 池化层， 各所述第二结构块均包括依次连接的卷积层、 残差模块、 池化层。 2.根据权利要求1所述的一种基于生成式对抗网络的视网膜血管分割方法， 其特征在 于， 所述视网膜血管分割模 型的判别网络包括依次连接的四个第三结构块、 平均池化层、 一 个全连接层组成， 各 所述第三结构块均包括依次连接的卷积层、 残差模块和池化层。 3.根据权利要求1或2所述的一种基于生成式对抗网络的视网膜血管分割方法， 其特征 在于， 所述预 处理方法为依次进 行RGB绿色通道转换、 对比度受限的直方图均衡化以及伽 马 校正方法。 4.根据权利要求1或2所述的一种基于生成式对抗网络的视网膜血管分割方法， 其特征 在于， 所述预处 理方法还 包括： 扩充和旋转。权　利　要　求　书 1/1 页 2 CN 115035127 A 2一种基于生成式对抗网 络的视网膜血 管分割方 法 技术领域 [0001]本发明属于眼底视网膜图像处理领域， 尤其涉及 一种基于生成式对抗网络的视网 膜血管分割方法。 背景技术 [0002]眼睛， 它占据身体的总体信息的百分之80以上， 因此眼睛是不可或缺的人体器官， 它的健康与人类生活不可分割。 现今医生在眼部疾病诊断时主要依靠眼底图像， 某些器官 的状态通过眼底图像的变换来展示出来。 视网膜血管在眼底图像中能够被清楚地观察到， 是医生对某些疾病进 行诊断和预防的最基本依据。 眼底血管分割是医生根据眼底图像诊断 病人状况的决定性条件， 对于临床医学有着主要的意义， 人类身体是否健康的重点判断指 标为视网膜血管的形态构 造(如直径、 长度等)， 其变换在大程度可以反映人体某些疾病， 因 此为了医生有效的诊断疾病， 对视网膜血 管的分析 是必要的。 [0003]在眼底视网膜疾病的有关诊断时， 依照经验对视网膜血管进行人工手动分割是现 阶段医生的常用方法。 然而， 这种 方法存在眼底血管散布致密、 对比度低的问题， 可能还有 出血点、 渗出物等病变， 以及许多的微细血管， 与病灶噪声的影响相结合， 致使传统的手动 分割工作量变得庞大且繁琐， 依赖人工手动分割血管会出现效率低下， 易受主观性影响、 出 错率较高。 [0004]为了预防潜在的眼底疾病、 提高眼底疾病的诊断效率， 需要借助图像处理、 计算机 视觉以及深度学习等技术， 对相关医学影像进行处理和分析， 设计先进准确的视网膜血管 分割算法， 可以有效量化和可视化相关病理结构， 从而实现计算机辅助甚至代替医生对病 情进行准确诊断和精确治疗。 [0005]近年来， 随着图像处理和分析技术的快速发展， 利用计算机进行医学 图像处理已 经广泛应用于医学的各个学科和领域。 传统的机器学习算法有时需要根据实验手动选择特 征， 不利于 自动化的实现。 深度学习中各类算法网络结构被用于处理视网膜血管分割并取 得了很大 的成就， 传统卷积神经网络的单个网络训练模式被广泛应用， 但依旧存在灵敏度 和细微血管分割准确度较低的问题， 相较于卷积神经网络， 生成式对抗网络由两个任意子 网络构成生成器与判别器部 分， 两个子网络进行对抗训练， 相互协作优化， 能够更好学习血 管特征优化分割模型。 发明内容 [0006]本发明的目的是提供一种基于生成式对抗网络的视网膜血管分割方法， 以解决现 有技术灵敏度偏低和细微血管分割的不 足， 实现视网膜血管自动分割和细微血管的高精度 良好分割效果的问题。 [0007]本发明采用以下技术方案： 一种基于生成式对抗网络 的视网膜血管分割方法， 其 特征在于， 由以下步骤组成： [0008]步骤S1： 对眼底视网膜图像集进行 预处理得到训练图像集，说　明　书 1/7 页 3 CN 115035127 A 3