血管分割的方法与效果总结

前言

卷积神经网络在医学图像分割上有着广泛的应用，针对视网膜眼底图像的分割成为研究的热门领域。

模型介绍

ensemble learning

12个模型取平均

网络结构如下图：

网络结构

“Ensemble of Deep Convolutional Neural Networks for Learning to Detect Retinal Vessels in Fundus Images”

平均准确率： 0.9470

组会PPT展示：基于卷积神经网络的光学眼底图像分割研究.pdf

基于U-net的方法

• 原始的U-net方法：

  利用对称的编码器——解码器结构

  解码部分采用反卷积的方式

  padding采用valid无零填充模式，即多余的剔除

  特征层个数分别为：64-128-256-512-1024

  参考链接：U-Net: Convolutional Networks for Biomedical Image Segmentation

• 改进的方法1：

  解码部分采用反卷积方式Deconv2d()，padding=same有零填充形式

  特征层：64-128-256-512-1024

  

  基于U-net脑肿瘤分割网络结构

  “Automatic Brain Tumor Detection and Segmentation Using U-Net Based Fully Convolutional Networks”

  github代码实现参考链接：U-Net Brain Tumor Segmentation

• 改进的方法2：

  解码过程采用上采样操作UpSampling2dLayer()，扩大分辨率

  特征层个数：32-64-256-512

  参考链接：ultrasound-nerve-segmentation

多通路特征融合的方法

• 利用多尺度特征融合进行视网膜分割

  

  多特征融合

  “Development of Automatic Retinal Vessel Segmentation Method in Fundus Images via Convolutional Neural Networks”

多尺度输入融合的方法

• 利用多尺度输入进行视网膜目标检测

  

  多尺度输入

  “Joint Optic Disc and Cup Segmentation Based onMulti-label Deep Network and Polar Transformation”

结合CRF后处理的方法

• 结合条件随机场后处理的方法进行血管分割

  

  结合CRF后处理的方法

  “DeepVessel: Retinal Vessel Segmentation via Deep Learning and Conditional Random Field”

我提出的方法

• 基于Unet的改进：多尺度卷积核+多尺度特征输入

  示例图如下：

  

  基于改进的Unet血管分割

• 阅读并对程序做了一些修改

  • 将训练和测试数据转化为Hdf5格式：prepare_data_drive.py

  • 图像的预处理：灰度化、归一化、自适应直方图均衡化（CLAHE）、gamma亮度调整

  • 训练数据，随机选定像素中心分割成小块（32*32），做为训练输入数据

    测试数据，为了能够恢复结果，按顺序依次分割成小块，每块分割好后再拼接

  • 训练和测试过程代码还在修改中，是否添加CRF做为后处理？能够对优化函数进行改进？