本发明涉及视网膜分割,具体为多网络医用视网膜分割系统。
背景技术:
1、传统技术落后,对眼底图像数据处理不够精准,易于造成诊断结果存在较大误差;
2、多用形态学、机器学习来确定病变区域的位置、病灶的大小,对结果的认定过程较为复杂且不够精准;
3、由于肉眼的视觉局限及人工诊断耗时较长,且技术性要求较高,普通的眼科医师无法做到对视网膜血管的精确判断。
4、综上所述的问题,为此,我们提出多网络医用视网膜分割系统。
技术实现思路
1、本发明的目的在于提供多网络医用视网膜分割系统,以解决上述背景技术中提出的问题。
2、为实现上述目的,本发明提供如下技术方案:
3、多网络医用视网膜分割系统,包括:
4、图像采集模块用于采集和收集待检测视网膜眼底图像;
5、图像提取模块用于剔除模糊图像,或者局部不明显的图像,并使用unet网络提取待检测视网膜眼底图像,以及识别图像中的眼底线条;
6、数据分割模块用于通过do-conv卷积并采用基于联合正则优化的广泛激活模块、多尺度残差空洞空间金字塔模块与经融合的迭代编码-解码分割方法改进u-net架构;
7、图像输出模块用于将待检测视网膜眼底图像作为整体网络模型的输入,得到视网膜血管的分割结果。
8、优选的,采用若干个所述视网膜眼底图像通过do-conv卷积训练得到训练数据集。
9、优选的,将若干个所述视网膜眼底图像的干扰图像和色素进行排除,以及分别对视网膜眼底图像剔除的视网膜血管和骨架进行标准化提取,获取若干个视网膜血管图像模块。
10、多网络医用视网膜分割系统的方法,包括以下步骤:
11、采集摄像机拍摄上传系统的待检测视网膜眼底图像;
12、提取待检测视网膜眼底图像中的视网膜血管图像,并通过do-conv卷积训练,以及对视网膜血管图像标准化处理;
13、采用基于联合正则优化的广泛激活模块、多尺度残差空洞空间金字塔模块与经融合的迭代编码-解码分割方法改进u-net架构;
14、将待检测视网膜眼底图像作为整体网络模型的输入,得到视网膜血管的分割结果。
15、与现有技术相比,本发明的有益效果是:
16、本发明在传统算法的基础上,通过do-conv卷积并采用基于联合正则优化的广泛激活模块、多尺度残差空洞空间金字塔模块与经融合的迭代编码-解码分割方法改进u-net架构,提出了一种优化后的三维u-net图像分割模型,克服视网膜血管普遍存在的系列问题。
17、本发明从传统的u-net算法出发,针对人体视网膜血管的特性改进原算法结构并引进新处理机制,技术创新大大提升了优化算法的分割性能,较原算法有更高的准确率与更少的运算量等,且普适性强,具有极大的性能优势与推广价值。
18、本发明在智慧医疗大背景下应用优势极高,已部署在网站中,在线可实现图像的分割处理,有助于群众便捷高效地获取自身视网膜血管图像。
1.多网络医用视网膜分割系统,其特征在于,包括:
2.根据权利要求1所述的多网络医用视网膜分割系统,其特征在于,采用若干个所述视网膜眼底图像通过do-conv卷积训练得到训练数据集。
3.根据权利要求1所述的多网络医用视网膜分割系统,其特征在于,将若干个所述视网膜眼底图像的干扰图像和色素进行排除,以及分别对视网膜眼底图像剔除的视网膜血管和骨架进行标准化提取,获取若干个视网膜血管图像模块。
4.根据权利要求1所述的多网络医用视网膜分割系统的方法,其特征在于,包括以下步骤: