(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 202211216408.3 (22)申请日 2022.09.30 (71)申请人 重庆师范大学 地址 401331 重庆市沙坪坝区大 学城中路 37号 (72)发明人 吕佳　梁浩城　 (74)专利代理 机构 北京海虹嘉诚知识产权代理 有限公司 1 1129 专利代理师 胡博文 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 7/12(2017.01) G06T 7/13(2017.01) G06T 3/00(2006.01)G06V 10/764(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于图卷积的视网膜血管轮廓及高不确定 度区域的图像细化分割方法 (57)摘要 本发明提供的一种基于图卷积的视网膜血 管轮廓及高不确定度区域的图像细化分割方法， 包括以下步骤： S1.对视网膜血管图像进行预处 理， 并输出预处理后的图像信息； S2.将预处理后 的图像信息输入到卷积神经网络CNN中， 由卷积 神经网络CNN输出高维特征图e和粗分割结果g； 并基于粗分割结果确定出潜在误分割 区域作为 感兴趣区域； S3.基于感兴趣区域和高维特征图e 构造图数据， 并将图数据的图节 点集和邻接矩阵 输入至残差图卷积网络中进行处理； S4.将残差 图卷积网络输出的结果中的节点预测值覆盖粗 分类结果图中对应像素的值， 从而得到最终细化 后的视网膜血 管分割结果。 权利要求书2页 说明书5页 附图2页 CN 115457023 A 2022.12.09 CN 115457023 A 1.一种基于图卷积的视网膜血管轮廓及高不确定度区域的图像细化分割方法， 其特征 在于： 包括以下步骤： S1.对视网膜血 管图像进行 预处理， 并输出 预处理后的图像信息； S2.将预处理后的图像信息输入到卷积神经网络CNN中， 由卷积神经网络CNN输出高维 特征图e和粗分割结果g； 并基于粗分割结果确定出潜在误分割区域作为感兴趣区域； S3.基于感兴趣区域和高维特征图e构造图数据， 并将图数据的图节点集和邻接矩阵输 入至残差图卷积网络中进行处 理； S4.将残差图卷积网络输出的结果中的节点预测值覆盖粗分类结果图中对应像素的 值， 从而得到最终细化后的视网膜血 管分割结果。 2.根据权利要求1所述基于图卷积的视网膜血管轮廓及高不确定度区域的图像细化分 割方法， 其特 征在于： 步骤S2中， 通过如下 方法确定误分割区域作为感兴趣区域： 采用无监 督形态学 方法从粗分割结果g 中提取出血管的轮廓区域C(x)； 通过卷积神经网络 CNN中的模型 F计算图像信息中的期望值E(x)： 其中： T表示卷积神经网络CNN的总迭代次数， θt为第t次迭代时卷积神经网络CNN的参 数； g()为经 过卷积神经网络 CNN的softmax函数 得到的预测值， F(x)表示模型 F的函数； 计算卷积神经网络 CNN的模型F的不确定度U(x)： 其中： E(x)c表示像素x属于类别c的概 率， M表示卷积神经网络 CNN的分类数； 将不确定 大于不确定度阈值的像 素确定为高不确定度区域Uh(x)， 并构建感兴趣区域的 范围ROI(x)： ROI(x)＝Uh(x)∪C(x)。 3.根据权利要求2所述基于图卷积的视网膜血管轮廓及高不确定度区域的图像细化分 割方法， 其特 征在于： 通过如下 方法构造图数据G： 以感兴趣区域的范围ROI(x)内的每一个 像素构造一个图节点 ni： ni＝[ μi||gi||ei]， 其中： μi为感兴趣区域的范围ROI(x)内第i个像素 的灰度值， gi为卷 积神经网络CNN对感兴趣区域的范围ROI(x)内第i个像素的粗分割结果， ei为感兴趣区域的 范围ROI(x)内第i个像素 的高维特征信息， 且ei为卷积神经网络CNN经过softmax函数前最 后一层的特 征输出， | |为通道拼接操作； 图节点集为G＝(V,A),其中， V为图数据中的节点， V＝[n1,n2,…,ni,…nN]T， N表示ROI(x)中像素的总数， ni表示第i个节点， 以ROI(x)中的 每一个像素x作为 一个图节点； A 表示邻接矩阵。 4.根权利要求3所述基于图卷积的视网膜血管轮廓及高不确定度区域的图像细化分割 方法， 其特 征在于： 通过如下 方法确定邻接矩阵A： A＝[ai,j]N×N；权　利　要　求　书 1/2 页 2 CN 115457023 A 2其中： 表示节点ni和节点nj之间的KL散度； exp( ‑|| μi‑μj||)表 示节点ni和节点nj像素灰度值差异； Di,j表示节点 ni和节点nj之间的欧式距离 。 5.根权利要求1所述基于图卷积的视网膜血管轮廓及高不确定度区域的图像细化分割 方法， 其特征在于： 残差图卷积网络包括3个图卷积单元， 前2个图卷积单元由由一个 Chebyshev图卷积层和一个Dropout层组成， 最后一个图卷积单元由一个Chebyshev图卷积 层和一个Softmax层组成， 且图卷积单元之间通过残差连接， 所述残差图卷积网络的损失函 数为： 其中： yi∈(0,1)表示ROI(x)中第i个像素的标签值； H(x)i表示Res‑GCN对第i个节点的 预测值。 6.根据权利要求1所述基于图卷积的视网膜血管轮廓及高不确定度区域的图像细化分 割方法， 其特 征在于： 步骤S1中， 对视网膜血 管图像进行 预处理包括： 对视网膜血 管图像进行翻转和 切片处理， 得到尺寸 为48×48像素的图像切片集； 把图像切片集由RGB图像转换为灰度图像， 并依次进行归一化、 自适应直方图均衡化和 自适应伽马校正处 理； 对自适应伽马校正处 理后的图像信息创建索引， 并保存索引信息 。权　利　要　求　书 2/2 页 3 CN 115457023 A 3