(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 202211084181.1 (22)申请日 2022.09.06 (71)申请人 桂林电子科技大 学 地址 541004 广西壮 族自治区桂林市金鸡 路1号 (72)发明人 刘思语　管军霖　何宇翔　王小龙　 廖思贤　 (74)专利代理 机构 桂林市华杰 专利商标事务所 有限责任公司 451 12 专利代理师 罗玉荣 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/30(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01)G06V 10/764(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于卷积神经网络的视 盘分割方法 (57)摘要 本发明公开了一种基于卷积神经网络的视 盘分割方法， 其特征在于， 包括如下步骤： 1） 定义 TU‑Net网络； 2） 搭建U ‑Net网络； 3） 依据输 出的标 注图像对视盘进行定位； 4） 对图像进行预处理； 5） 构建AU ‑Net网络； 6） 设置训练策略； 7） 设置损 失函数； 8） 训练网络和更新参数； 9） 将输出的图 像进行图像后处理； 10） 设置评价标准。 这种方法 实现简单， 普适性强， 可 以减少眼底图像噪声影 响。 权利要求书2页 说明书6页 附图2页 CN 115331011 A 2022.11.11 CN 115331011 A 1.一种基于卷积神经网络的视盘分割方法， 其特 征在于， 包括如下步骤： 1)定义TU‑Net网络： T U‑Net网络由U ‑Net网络和AU ‑Net组成； 2)搭建U‑Net网络： 网络模型结构呈现U型对称设有编码路径和解码路径， 编码路径由 四个Down ‑Conv模块组成， 每个Down ‑Conv模块设有两个由3 ×3卷积和ReLU线性激活函数组 成的Conv卷积层和一个用于下采样的2 ×2最大池化层， 解码路径由4个Up ‑Conv模块组成， 每个Up‑Conv模块由一个用于上采样的反卷积层和两个卷积层组成， 每个Down ‑Conv模块和 Up‑Conv模块由跳转连接层 进行连接， 跳转连接层令U ‑Net网络能够融合底层特征和高层特 征， 使得在最终输出的特 征图中包 含原始输入图片的不同层次的特 征； 3)依据输出的标注图像对视盘进行定位： 通过U ‑Net网络得到一幅特征图像、 该特征图 像大致确定视盘区域， 对该特征图像进行边缘检测处理， 依据得到的边界信息求出区域中 心坐标， 中心坐标即为视盘在原 始视网膜图像中的大致 位置； 4)依据步骤3)得到的坐标信息对数据集中的视网膜图像和与该图像对应的标注图像 进行裁剪并对图像进行 预处理， 包括： 4‑1)裁剪： 依据步骤3)得到的的视盘定位信息， 裁剪出一幅大小为200x200的图像、 该 图像的中心为视盘区域； 4‑2)图像预处理： 首先采用限制对比度自适应直方图均衡化CLAHE算法对提取B通道的 彩色眼底图像进行图像增强处理， 再采用形态学闭运算对增强后的图像进行处理， 最后对 输出图像和与经过步骤4 ‑1)裁剪得到的与输入图像对应的标注图像进 行极坐标变换， 图像 预处理过程如图4所示； 5)构建AU ‑Net网络： AU ‑Net网络由4个Res ‑Conv卷积块构成解码路径， 由4个Up ‑Conv模 块构成编码路径， Up ‑Conv模块与步骤1)中U ‑Net网络中解码模块一致， AU ‑Net在编码路径 采用Res‑Conv卷积模块代替传统的编码模块， Res ‑Conv模块采用ResNet网络思想， 每个 Res‑Conv模块和 Up‑Conv模块由跳转连接层进行连接， 跳转连接层使网络 能够融合底层特 征和高层特征， 使得在最终输出的特征图中包含了图片的不同层次的特征， AU ‑Net在跳转 连接上采用注意门AG s； 6)设置训练策略： 采用SGD优化算法， 设置批量处理大小BatchSize为4、 训练周期epoch 为200、 初始学习率 为0.001； 7)设置损失函数： 采用结合交叉熵和 Dice损失的损失函数作为本文的损失函数来进行 网络训练， 视盘分割问题被视为像素点的二分类 问题， 引入Dice损失函数作为损失函数的 一部分， 交叉熵函数如公式(1)所示： 其中yi是第i个像素的标签， 视盘为1， 背景为0， pi表示第i个像素预测为视盘的概率， Dice损失函数如公式(2)所示： 其中|A|和|B|分别表示Ground  truth和Predict  mask的数量， 损失函数如公式(3)所权　利　要　求　书 1/2 页 2 CN 115331011 A 2示： 8)训练网络和更新参数： 根据步骤6)设置好的训练策略训练AU ‑Net网络， AU ‑Net网络 采用反向传播算法对AU ‑Net网络中的权重和偏 置进行更新， 在训练过程中用损失函数动态 维护； 9)将输出的图像进行图像后处理： 首先需要对输出的预测图像进行逆极坐标变换得到 笛卡尔坐标系 下的预测图像， 再根据定位信息， 将输出 的预测图像尺寸还原成原始图像大 小； 10)设置评价标准： 评价网络模型分割效果选用准确性Acc、 特异性Spe、 敏感性Se和F1 ‑ Score来评价， 它 们的计算公式分别如公式(4)、 公式(5)、 公式(6)、 公式(7)和公式(8)所示： TP、 TN、 FP、 FN分别表示真阳性、 真阴性、 假阳性和假阴性， 其中TP表示预测是视盘且真 实也是视盘的像素点个数； TN表示预测是背景且真实也是背景的像素点个数； FP表示预测 是视盘且真实是背景的像素点个数； FN表示预测是背景且真实是视盘的像素点个数； 11)评估网络模型： 将采用本技术方案预测出的视盘分割图像与步骤1)中的数据集中 的标注图像进行对比， 依据评价标准评价模型的性能。权　利　要　求　书 2/2 页 3 CN 115331011 A 3