本发明具体涉及一种彩色眼底图像的血管增强方法。
背景技术：
随着经济技术的发展和人们生活水平的提高，人们对于健康的要求也越来越高。而随着智能算法的出现、发展和普及，越来越多的智能算法应用于医疗辅助领域，给人们的医疗带来了极大的帮助。视网膜图像的分析，特别是准确地分割视网膜血管并对视网膜血管结构进行分析，可以辅助筛查糖尿病视网膜病变。因此，近年来对于视网膜图像的分析，一直是研究的热点之一。
眼底血管结构，通常通过眼底照相机拍摄出的视网膜彩色眼底图像来获取。但是，由于图像采集过程中的照明不均匀，现有的眼底照相机拍摄获取的视网膜彩色眼底图像，一般都广泛存在噪声量大和对比度较低的问题。
较彩色眼底图像而言，眼底荧光素造影图像对视网膜血管病变更敏感、准确，因此眼底荧光素造影图像是上述问题的解决方法之一。但是，眼底荧光素造影图像的获取，需要将具有荧光特性而且能进入视网膜及脉络膜血管的造影剂-荧光素钠注入到患者的静脉中。但是，使用荧光素，部分患者会有轻微恶心、呕吐等反应，个别患者可能会发生过敏反应，乃至休克死亡。因此，现有的眼底荧光素造影安全性非常差，适用范围极其有限。
技术实现要素：
本发明的目的在于提供一种可靠性高、安全性好且适用范围广的彩色眼底图像的血管增强方法。
本发明提供的这种彩色眼底图像的血管增强方法，包括如下步骤：
s1.获取训练数据；所述的训练数据包括若干个患者的彩色眼底图像及对应的同一人的眼底荧光造影图像；
s2.将步骤s1获取的训练数据进行处理；
s3.将步骤s2得到的处理后的数据输入到生成模型中对生成模型进行训练，从而得到最终的生成模型；
s4.获取待增强的数据；
s5.将待增强的数据进行处理；
s6.将步骤s5处理后的数据输入最终的生成模型，从而生成血管增强后的彩色眼底图像。
步骤s2所述的将步骤s1获取的训练数据进行处理，具体为采用如下步骤进行处理：
a.将步骤s1获取的训练数据进行归一化；
b.将归一化后的训练数据进行切割。
步骤a所述的归一化，具体为采用如下算式进行归一化：
式中p(x,y)为点(x,y)归一化后的像素值，
步骤b所述的将归一化后的训练数据进行切割，具体为将归一化后的图像切割为面积更小的图像，从而增加训练数据的数目，提高模型的鲁棒性。
步骤s3所述的生成模型，具体为循环对抗生成网络。
所述的循环对抗生成网络，具体包括两个生成模型、两个判别模型和三个损失函数：
生成模型：
判别模型：dx和dy，其中dx用于区分x和f(y)，dy用于区分y和g(x)；
损失函数：
采用如下算式作为对抗损失函数lgan(g,dy,x,y)和lgan(f,dx,y,x)：
式中x为x中的样本，y为y中的样本，y～pdata(y)表示y来自y，x～pdata(x)表示x来自x；e为求期望函数；
式中x为x中的样本，y为y中的样本，y～pdata(y)表示y来自y，x～pdata(x)表示x来自x；
采用如下算式作为一致性损失函数lcyc(g,f)：
式中x为x中的样本，y为y中的样本，y～pdata(y)表示y来自y，x～pdata(x)表示x来自x；e为求期望函数；||||1为求1范数；
采用如下算式作为正则化损失函数ll1：
ll1＝ll1(g)+ll1(f)
式中ll1(g)＝ex,y[||y-g(x)||1]，ll1(f)＝ey,x[||x-f(y)||1]，x为x中的样本，y为y中的样本，y～pdata(y)表示y来自y，x～pdata(x)表示x来自x；e为求期望函数；||||1为求1范数。
步骤s5所述的将待增强的数据进行处理，具体为将待增强的数据进行归一化处理。
所述的归一化，具体为采用如下算式进行归一化：
式中p(x,y)为点(x,y)归一化后的像素值，
本发明提供的这种彩色眼底图像的血管增强方法，通过生成模型的建立，使用深度神经网络学习荧光造影图像的血管成像特征，可以学习到比灰度纹理等等更深层次的信息，使得眼底图的血管增强效果更佳显著，而且通过损失函数的设计，可以有效的使得生成图像和目标图像更加接近；因此，本发明方法能够有效的根据现有的彩色眼底图像生成血管增强后的彩色眼底图像，而且本发明方法的可靠性高、安全性好且适用范围广。
附图说明
图1为本发明方法的方法流程图。
图2为本发明方法的生成模型g和f的结构示意图。
图3为本发明方法的判别模型dx和dy的结构示意图。
具体实施方式
如图1所示为本发明方法的方法流程图：本发明提供的这种彩色眼底图像的血管增强方法，包括如下步骤：
s1.获取训练数据；所述的训练数据包括若干个患者的彩色眼底图像及对应的同一人的眼底荧光造影图像；
s2.将步骤s1获取的训练数据进行处理；具体为采用如下步骤进行处理：
a.将步骤s1获取的训练数据进行归一化；采用如下算式进行归一化：
式中p(x,y)为点(x,y)归一化后的像素值，
b.将归一化后的训练数据进行切割；具体为将归一化后的图像切割为面积更小的图像，从而增加训练数据的数目，提高模型的鲁棒性；比如，将处理后的整张576*720像素的图像切成30张128*128的小图像；
s3.将步骤s2得到的处理后的数据输入到生成模型中对生成模型进行训练，从而得到最终的生成模型；
生成模型优选为循环对抗生成网络：包括两个生成模型、两个判别模型和三个损失函数：
生成模型：
生成模型采用的unet的结构：u-net包括从图像输入堆叠卷积层和下采样层的左侧路径，以及堆叠卷积层和上采样层的右侧路径，还有将左侧的特征图复制拼接到右侧相同尺度的位置；原始数据大小为128*128*3特征块；左侧的下采样层，首先包括最左侧的输入图像数据的入口，然后是3*3卷积层，滤波器的个数是3个(128*128*3)；接着是2*2的最大池化层，数据大小为原来的一半(64*64*3)；然后是3*3的卷积层，滤波器的个数是128(64*64*128)；接下来是6个池化层和7个3*3的卷积层，卷积滤波器的个数是图中卷积层上方或者下的数字(此时数据大小为1*1*1024)；卷积层是图中代表3*3卷积操作的箭头所指的层；右侧的上采样操作，首先上采样操作，数据大小扩大为原来的一倍，同时如图所示复制拼接对应左侧相同大小的特征层，并进行3*3的卷积操作；卷积滤波器的个数在拼接图的上方；经过6次这样的操作以后，数据大小为64*64*128；此时再进行一次上采样操作，然后再进行一次3*3的卷积操作，卷积核的个数为3。此时图像大小为128*128*3，即我们的目标图像；
判别模型：dx和dy，其中dx用于区分x和f(y)，dy用于区分y和g(x)；判别模型的网络结构如图3所示；首先输入图片数据(128*128*3)，然后依次进行6次卷积之后最大池化的操作(2*2*1024)，然后再进行依次池化操作(1*1*1024)；最后使用sigmoid函数激活，得到0～1之间的置信分数，来判别输入图像是真实图像还是生成模型生成的假图像；
损失函数：
采用如下算式作为对抗损失函数lgan(g,dy,x,y)和lgan(f,dx,y,x)：对抗损失函数用于使得生成图像和目标图像分布一致；
g:x→y及其对应的判别器dy的对抗损失函数如下：
式中x为x中的样本，y为y中的样本，y～pdata(y)表示y来自y，x～pdata(x)表示x来自x；e为求期望函数；
f:y→x及其对应的判别器dx的对抗损失函数如下：
式中x为x中的样本，y为y中的样本，y～pdata(y)表示y来自y，x～pdata(x)表示x来自x；
采用如下算式作为一致性损失函数lcyc(g,f)，用于防止g和f相互矛盾，同时，一致性损失函数使得x→g(x)→f(g(x))≈x和y→g(y)→f(g(y))≈y；
式中x为x中的样本，y为y中的样本，y～pdata(y)表示y来自y，x～pdata(x)表示x来自x；e为求期望函数；||||1为求1范式函数；
采用如下算式作为正则化损失函数ll1，用于使得生成的图像和目标图像尽可能相似；
ll1＝ll1(g)+ll1(f)
式中ll1(g)＝ex,y[||y-g(x)||1]，ll1(f)＝ey,x[||x-f(y)||1]，x为x中的样本，y为y中的样本，y～pdata(y)表示y来自y，x～pdata(x)表示x来自x；e为求期望函数；||||1为求1范式函数；
在具体实施时，将上述的对抗损失函数、一致性损失函数和正则化损失函数相加作为最终的损失函数，并以损失函数的值最小为优化目标对网络进行优化，直至损失函数达到极小值时得到最终的模型网络；
s4.获取待增强的数据；
s5.将待增强的数据进行处理；具体为将待增强的数据进行归一化处理，采用如下算式进行归一化：
式中p(x,y)为点(x,y)归一化后的像素值，
s6.将步骤s5处理后的数据输入最终的生成模型，从而生成血管增强后的彩色眼底图像。