申请/专利权人：重庆贝奥新视野医疗设备有限公司

申请日：2020-06-10

公开（公告）日：2024-04-09

公开（公告）号：CN111815563B

主分类号：G06T7/00

分类号：G06T7/00;G06T7/11;G06T7/136;G06T7/187;G06T7/194;G06T7/62

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2024.04.02#专利申请权的转移;2024.02.09#专利申请权的转移;2020.11.10#实质审查的生效;2020.10.23#公开

摘要：一种U‑Net与区域增长PCNN相结合的视网膜视盘分割方法，将视网膜视盘数据集图片进行灰度化处理；将灰度化处理后的数据集图片进行CLAHE处理，增强视网膜视盘图像中视盘与背景之间的对比度；视网膜视盘图像分块；U‑Net神经网络模型的搭建、训练以及图片粗提取；区域增长PCNN神经网络模型的搭建；使用区域增长PCNN，进行视网膜视盘分割。本发明一方面提出了一种基于改进后的U‑Net视网膜视盘图像粗提取方法，通过这种粗提取，显著抑制背景，凸显视盘区域，增加图片对比度，从而提升数据集图片质量；另一方面提出了一种基于改进的区域增长PCNN的视盘图像分割方法，通过改变种子选取方式、PCNN初始点火阈值选取方式以及区域增长结束条件，提高PCNN分割性能，实现完整视盘的分割。

主权项：1.一种U-Net与区域增长PCNN相结合的视网膜视盘分割方法，其特征在于包括以下步骤：步骤1：将视网膜视盘数据集图片进行灰度化处理；步骤2：将步骤1灰度化处理后的数据集图片进行CLAHE处理，增强视网膜视盘图像中视盘与背景之间的对比度，步骤3：视网膜视盘图像分块；步骤4：U-Net神经网络模型的搭建、训练以及图片粗提取；步骤5：区域增长PCNN神经网络模型的搭建；所述步骤5具体为：针对灰度图像的二值分割，构建了区域增长PCNN模型，PCNN模型由接受域、调制域、脉冲产生域组成，接受域由连接输入L和反馈输入F组成；调制域主要是产生内部活动项U；脉冲产生域由阈值调节器、脉冲发生器组成，当内部活动项U大于动态门限θ时，神经元点火，Y＝1，区域增长PCNN模型的数学表达式为：L[n]＝∑klWijklYkl[n-1]-d1U[n]＝F[n]{1+βnL[n]}2 区域增长PCNN模型中连接系数β的值是变化的，这样捕获更多神经元，而β的上限为T，其作用为通过限制β的上限来防止视盘区域过度增长，区域增长PCNN模型还引入快连接机制，使得同一连接域的神经元同时激发，区域增长PCNN模型首先通过种子点门限值选择出可靠的视盘区域作为种子，然后通过PCNN中的连接强度系数和停止条件，实现视盘区域的自动生长；步骤6：使用区域增长PCNN，进行视网膜视盘分割；所述步骤6包括以下步骤：步骤6.1：设置连接强度系数的初始β，连接强度系数的增加步长δβ，连接强度系数最大值的初始值βmax，βmax的增加步长Δβ，用于选择种子点的门限值u0，视盘图像的阈值z来判断区域增长是否足够，限制视盘边缘过度增长的阈值T，门限δθ来选择PCNN初始点火阈值；步骤6.2：定义PCNN的输出项为Y＝0，并定义一个与Y相同阶的矩阵Y1＝1；步骤6.3：将提取到的灰度图像Sy归一化处理，作为PCNN的外部激励的输入，即F＝Sy；步骤6.4：从输入图像中，选取灰度值大于种子点门限值u0的像素作为种子候选点，再选取连通区域最大的像素点为种子点，步骤6.5：计算最大连通区域的面积，并于与设定的门限δθ相比；若大于该门限，PCNN神经元初始点火激发阈值设为θ＝maxF-0.05，反之，则θ＝maxF-0.5；步骤6.6：计算Y中视盘边缘像素与视盘面积的比值x，比较x与Z，若大，执行下一步；否则，结束程序，输出Y；步骤6.7：比较βmx与T，若βmaxT，则结束程序，输出Y；否则执行下一步；步骤6.8：比较β和βmax，若β≤βmax，则进行下一步；否则执行步骤6.12；步骤6.9：比较Y和Y1，若不同，则执行下一步；相同，则执行步骤6.11；步骤6.10：将Y的值赋予Y1，并且执行快连接，返回步骤6.9；步骤6.11：β增加δβ，Y1重置为1，返回步骤6.8；步骤6.12：βmax增加Δβ，返回步骤6.6。

全文数据：

权利要求：

百度查询： 重庆贝奥新视野医疗设备有限公司 一种U-Net与区域增长PCNN相结合的视网膜视盘分割方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD