具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

请参阅图1，本发明的第一实施方式涉及一种眼底彩照的动静脉分割方法，具体包括：

步骤110，获取检查者的眼底图像。

具体的说，检查者的眼底图像，可以是检查者在医院的临床检查图，或从网络公开的数据库中获取的眼底彩照图像。此外，由于不同设备图像风格不同，获取的检查者的眼底彩照图像需进行预处理，预处理的步骤包括：首先通过直方图对齐的方法做图像归一化操作，得到统一格式图像，再对图像进行随机旋转、平移、灰度变换等操作，提高模型的鲁棒性及泛化能力。

步骤120，对眼底图像进行二次分割，提取出动/静脉的初始分割图像。

具体的说，为了解决现有技术中的类间不平衡问题，本实施例对眼底图像进行了二次分割：

首先，通过第一分割网络对眼底图像进行特征提取，并计算每个提取出的特征与血管标准图像的相似度，选择相似度大于预设阈值的图像为动静脉的血管图像，将血管图像从背景中分割出来，得到血管分割图像；

其次，将血管图像作为第二分割网络的输入，对其进行特征提取，并计算每个提取出的特征与动/静脉标准图像的相似度，选择相似度大于预设阈值的图像为动/静脉图像，即以分割后的血管为背景，将动脉或静脉从血管中分割出来，得到动/静脉的分割图像。

其中，第一分割网络和第二分割网络可以为同一网络，也可以采用不同网络；可选的网络包括FCN、unet等分割网络，本实施例中以第一分割网络和第二分割网络均基于unet网络、损失函数为cross entropy为例来进行说明。

请参阅图2，第一分割模型为预训练得到，预训练步骤包括：

步骤210，建立样本集，将样本集按照设定比例随机划分为第一训练集和第一测试集；其中，样本集包括原始眼底图像和添加了血管标签的眼底图像。应理解，添加了血管标签的眼底图像可以是用户手动标注，也可以从公开的数据库中获得。

步骤220，将第一训练集输入预设的Unet模型中，计算得到预测值，采用损失函数计算预测值和标签值的损失值，根据损失值修正Unet模型的权重值。

步骤230，重复步骤220，直到完成预设的迭代次数，选择损失值最小时的权重值作为最终的第一分割模型的权重值。

步骤240，将第一测试集输入最终的第一分割模型中测试其识别精度，若识别精度大于预设精度，则将该最终的第一分割模型作为训练好的第一分割模型，否则，重复步骤220到步骤240。

请参阅图3，第二分割模型为预训练得到，预训练步骤包括：

步骤310，建立样本集，将样本集按照设定比例随机划分为第二训练集和第二测试集；其中，样本集包括原始血管分割图像和添加了动/静脉标签的血管分割图像。应理解，添加了动/静脉标签的血管分割图像可以是用户手动标注，也可以从公开的数据库中获得。

步骤320，将第二训练集输入预设的Unet模型中，计算得到预测值，采用dice loss损失函数计算预测值和标签值的损失值，根据损失值修正Unet模型的权重值。

步骤330，重复步骤320，直到完成预设的迭代次数，选择损失值最小时的权重值作为最终的第二分割模型的权重值。

步骤340，将第二测试集输入最终的第二分割模型中测试其识别精度，若识别精度大于预设精度，则将该最终的第二分割模型作为训练好的第二分割模型，否则，重复步骤320到步骤340。

采用上述方案，首先将预处理后的眼底图像输入第一分割网络，得到血管分割图像，再将血管分割图像输入第二分割网络，即可得到动脉的初始分割图像或静脉的初始分割图像。

步骤130，从动脉或静脉的初始分割图像中提取多个关键点，以每个关键点为起点，沿血管走向跟踪动/静脉血管，提取各关键点相关的中线图像，将获取的多张中线图像叠加，得到动/静脉的整体中线图像。

具体的说，为了客服深度学习的长距离依赖问题，保证动静脉分类在宏观上形态学上的连续性，本实施例中，采用血管跟踪方式来完成动脉和静脉的分割，以下进行详细说明：

应理解，在上述动脉或静脉的初始分割图像中，每一个像素点都有其对应的预测值，将预测值大于设定值的多个像素点标记为关键点，并压入关键点栈中。上述设定值可根据调参需要进行设定，本实施例中，设为0.8；当预测值大于0.8时，即认为该像素点位于动脉或静脉的中线上，且动脉中线上的关键点和静脉中线上的关键点相互区别。

请参阅图4，以每个关键点为起点，沿血管走向跟踪动/静脉血管，提取各关键点相关的中线图像的步骤包括：

步骤410，从关键点栈中任选一个关键点作为中心。

步骤420，从初始分割图像中，依据该中心提取一个检测区域，将该检测区域输入中线识别模型中，得到该关键点的中线图像。

步骤430，针对该中线图像，判断检测区域和中线的交点：

若存在一个交点不是血管末梢点且未在已检测区域出现过，则选取该交点为中心，跳转至步骤二；

否则，判断关键点栈是否为空：

若为空，则停止提取中线图像；否则，从关键点栈中另选一个关键点作为中心，重新跳转至步骤二。

应理解，判断交点是否为血管末梢点，即若步骤401中选取的关键点位于静脉中线上，则判断各交点位于静脉中线还是动脉中线上，若存在一个交点位于动脉中线上，则认为该交点为血管末梢点，需要去除掉，从而将动脉和静脉区分开来，获得动脉或静脉的中线图像；此外，为避免重复计算，还需要检测各交点是否在已检测区域出现过，若某一交点处于已检测区域，也需要去除掉。

请参阅图5，中线识别模型为基于VGG16网络预训练得到，其预训练步骤包括：

步骤510，建立样本集，将样本集按照设定比例随机划分为第三训练集和第三测试集；其中，样本集包括原始初始分割图像和添加了中线标签的初始分割图像；应理解，添加了中线标签的初始分割图像可以是用户手动标注，也可以从公开的数据库中获得。

步骤520，用随机值初始化中线识别模型中的前向计算公式的参数。

步骤530，将第三训练集输入初始中线识别模式中，进行特征提取，并对提取出的所有特征进行分类，将分类预测结果和每个像素点一一对应，得到每个像素点对应其种类的图像，并输出预测值；采用cross entropy损失函数来计算预测值和标签值的损失值，根据cross entropy损失函数的导数，沿梯度最小方向将误差回传，修正前向计算公式中的各个权重值。

步骤540，重复步骤520，直到完成预设的迭代次数，选择损失最小的网络作为最终的中线识别模型。

步骤550，将第三测试集输入最终的中线识别模型中测试其识别精度，若所述识别精度大于预设精度，则将该最终的中线识别模型作为训练好的中线识别模型，否则，重复步骤530到步骤540。

应理解，在得到动脉中线或静脉中线的整体图像前，选取的新中心应该都位于动脉中线或静脉中线上。

将上述循环过程中获取的多张中线图像叠加，得到动脉或静脉的整体中线图像。

步骤140，对整体中线图像进行分水岭算法处理，得到分割好的动/静脉图像。

具体的说，采用分水岭算法，针对动/静脉中线图像，以动脉中线或静脉中线为分水岭，动静脉为背景，将在空间位置上相近并且灰度值相近的像素点互相连接成多个封闭的区域，各区域与动脉或静脉相对应，从而得到分割好的动脉图像或静脉图像。

以静脉中线为分水岭来进行举例说明，分水岭算法的步骤包括：

步骤一、计算得到静脉中线图像中各像素点在水平和垂直方向上的梯度，并统计各梯度的频率和累加概率；

步骤二、根据梯度值大小进行排序，确定各个梯度值在排序数组中的位置，相同的梯度处于同一个梯度层级；

步骤三、处理第一个梯度层级所有的像素点，检查该点邻域是否已标记属于某区或分水岭，若是，则将该点加入一个先进先出的队列；

步骤四、根据先进先出队列开始扩展现有的盆地，对先进先出队列中的像素邻域进行扫描，如果其梯度相等，即为同一个梯度层级，不是分水岭，使用邻域像素的标识刷新该像素的标识，循环完成队列中所有像素点的扩展；

步骤五、判断是否还有像素点未被标识，若有，则对该像素点继续执行步骤四直至该队列中所有像素点完成扩展为止；

步骤六、处理完第一个梯度层级后，返回步骤三继续处理下一个梯度层级，循环至所有梯度层级均被处理完毕，得到梯度影像的分水线，即影像分割的边界线；

步骤七、通过分割边界线将影像分成了大量的区域，这些区域即为影像分割结果，代表不同的地类信息，即静脉图像。

以动脉中线为分水岭，从动脉中线图像得到动脉图像的步骤与静脉类似，为节省篇幅，此处不再赘述。

可见，本实施方式首先对获取的眼底图像进行二次分割，将现有技术中的动脉、静脉、背景的三分类，转换为动脉、静脉的二分类，克服了类间不平衡的问题，提高了分割和分类的精度；然后采用血管跟踪方式，通过关键点的迭代判断来完成分割，有效克服了深度学习的长距离依赖问题，保证了动静脉分类在宏观上形态学上的连续性，避免分割结果出现动静脉相互混杂的情况。

请参阅图6，本发明的第二实施方式涉及一种眼底彩照的动静脉分割系统，具体包括：

接收模块601，用于获取检查者的眼底图像。

具体的说，检查者的眼底图像，可以是检查者在医院的临床检查图，也可以从网络公开的数据库中获取。而且，由于不同设备图像风格不同，对获取的检查者的眼底图像，需进行预处理，预处理的步骤包括：首先通过直方图对齐的方法做图像归一化操作，得到统一格式图像，再对图像进行随机旋转、平移、灰度变换等操作，提高模型的鲁棒性及泛化能力。

第一分割模块602，用于对眼底图像进行二次分割，提取出动/静脉的初始分割图像。

具体的说，为了解决现有技术中的类间不平衡问题，本实施例对眼底图像进行了二次分割：

首先，通过第一分割网络对眼底图像进行特征提取，并计算每个提取出的特征与血管标准图像的相似度，选择相似度大于预设阈值的图像为动静脉的血管图像，将血管图像从背景中分割出来，得到血管分割图像；

其次，将血管图像作为第二分割网络的输入，对其进行特征提取，并计算每个提取出的特征与动/静脉标准图像的相似度，选择相似度大于预设阈值的图像为动/静脉图像，即以分割后的血管为背景，将动脉或静脉从血管中分割出来，得到动/静脉的分割图像。

其中，第一分割网络和第二分割网络可以为同一网络，也可以采用不同网络；可选的网络包括FCN、unet等分割网络，本实施例中以第一分割网络和第二分割网络均基于unet网络、损失函数为cross entropy为例来进行说明。

进一步说明，第一分割模块602还包括第一模型训练单元，用于预训练第一分割网络，其中，第一模型训练单元预训练的步骤包括：

步骤一、建立样本集，将样本集按照设定比例随机划分为第一训练集和第一测试集；其中，样本集包括原始眼底图像和添加了血管标签的眼底图像。应理解，添加了血管标签的眼底图像可以是用户手动标注，也可以从公开的数据库中获得。

步骤二、将第一训练集输入预设的Unet模型中，计算得到预测值，采用损失函数计算预测值和标签值的损失值，根据损失值修正Unet模型的权重值。

步骤三、重复步骤二，直到完成预设的迭代次数，选择损失值最小时的权重值作为最终的第一分割模型的权重值。

步骤四、将第一测试集输入最终的第一分割模型中测试其识别精度，若识别精度大于预设精度，则将该最终的第一分割模型作为训练好的第一分割模型，否则，重复步骤二到步骤四。

继续说明，第一分割模块602还包括第二模型训练单元，用于预训练第二分割网络，其中，第二模型训练单元预训练的步骤包括：

步骤一、建立样本集，将样本集按照设定比例随机划分为第二训练集和第二测试集；其中，样本集包括原始血管分割图像和添加了动/静脉标签的血管分割图像。应理解，添加了动/静脉标签的血管分割图像可以是用户手动标注，也可以从公开的数据库中获得。

步骤二、将第二训练集输入预设的Unet模型中，计算得到预测值，采用dice loss损失函数计算预测值和标签值的损失值，根据损失值修正Unet模型的权重值。

步骤三、重复步骤二，直到完成预设的迭代次数，选择损失值最小时的权重值作为最终的第二分割模型的权重值。

步骤四、将第二测试集输入最终的第二分割模型中测试其识别精度，若识别精度大于预设精度，则将该最终的第二分割模型作为训练好的第二分割模型，否则，重复步骤二到步骤四。

采用上述方案，首先将预处理后的眼底图像输入第一分割网络，得到血管分割图像，再将血管分割图像输入第二分割网络，即可得到动脉分割图像或静脉分割图像。

中线提取模块603，用于从动脉或静脉的初始分割图像中提取多个关键点，以每个关键点为起点，沿血管走向跟踪动/静脉血管，提取各关键点相关的中线图像，将获取的多张中线图像叠加，得到动/静脉的整体中线图像。

具体的说，为了客服深度学习的长距离依赖问题，保证动静脉分类在宏观上形态学上的连续性，本实施例中，采用血管跟踪方式来完成动脉和静脉的分割，以下进行详细说明：

应理解，在上述动脉或静脉的初始分割图像中，每一个像素点都有其对应的预测值，将预测值大于设定值的多个像素点标记为关键点，并压入关键点栈中。上述设定值可根据调参需要进行设定，本实施例中，设为0.8；当预测值大于0.8时，即认为该像素点位于动脉或静脉的中线上，且动脉中线上的关键点和静脉中线上的关键点相互区别。

继续说明，以每个关键点为起点，沿血管走向跟踪动/静脉血管，提取各关键点相关的中线图像的步骤包括：

步骤一、从关键点栈中任选一个关键点作为中心。

步骤二、从初始分割图像中，依据该中心提取一个检测区域，将该检测区域输入中线识别模型中，得到该关键点的中线图像。

步骤三、针对该中线图像，判断检测区域和中线的交点：

若存在一个交点不是血管末梢点且未在已检测区域出现过，则选取该交点为中心，跳转至步骤二；

否则，判断关键点栈是否为空：

若为空，则停止提取中线图像；否则，从关键点栈中另选一个关键点作为中心，重新跳转至步骤二。

进一步说明，中线提取模块603包括第三模型训练单元，用于预训练中线识别模型，其预训练步骤包括：

步骤一、建立样本集，将样本集按照设定比例随机划分为第三训练集和第三测试集；其中，样本集包括原始初始分割图像和添加了中线标签的初始分割图像；应理解，添加了中线标签的初始分割图像可以是用户手动标注，也可以从公开的数据库中获得。

步骤二、用随机值初始化中线识别模型中的前向计算公式的参数。

步骤三、将第三训练集输入初始中线识别模式中，进行特征提取，并对提取出的所有特征进行分类，将分类预测结果和每个像素点一一对应，得到每个像素点对应其种类的图像，并输出预测值；采用cross entropy损失函数来计算预测值和标签值的损失值，根据cross entropy损失函数的导数，沿梯度最小方向将误差回传，修正前向计算公式中的各个权重值。

步骤四、重复步骤二，直到完成预设的迭代次数，选择损失最小的网络作为最终的中线识别模型。

步骤五、将第三测试集输入最终的中线识别模型中测试其识别精度，若所述识别精度大于预设精度，则将该最终的中线识别模型作为训练好的中线识别模型，否则，重复步骤三到步骤四。

将上述循环过程中的多张中线图像叠加，得到所述动静脉图像中动脉中线或静脉中线的整体图像。

第二分割模块604，用于对动/静脉中线图像进行分水岭算法处理，将在空间位置上相近并且灰度值相近的像素点互相连接，构成分割好的动/静脉图像。

具体的说，采用分水岭算法，针对动/静脉中线图像，以动脉中线或静脉中线为分水岭，动静脉为背景，将在空间位置上相近并且灰度值相近的像素点互相连接成多个封闭的区域，各区域与动脉或静脉相对应，从而得到分割好的动脉图像或静脉图像。

以静脉中线为分水岭来进行举例说明，分水岭算法的步骤包括：

步骤一、计算得到静脉中线图像中各像素点在水平和垂直方向上的梯度，并统计各梯度的频率和累加概率；

步骤二、根据梯度值大小进行排序，确定各个梯度值在排序数组中的位置，相同的梯度处于同一个梯度层级；

步骤三、处理第一个梯度层级所有的像素点，检查该点邻域是否已标记属于某区或分水岭，若是，则将该点加入一个先进先出的队列；

步骤四、根据先进先出队列开始扩展现有的盆地，对先进先出队列中的像素邻域进行扫描，如果其梯度相等，即为同一个梯度层级，不是分水岭，使用邻域像素的标识刷新该像素的标识，循环完成队列中所有像素点的扩展；

步骤五、判断是否还有像素点未被标识，若有，则对该像素点继续执行步骤四直至该队列中所有像素点完成扩展为止；

步骤六、处理完第一个梯度层级后，返回步骤三继续处理下一个梯度层级，循环至所有梯度层级均被处理完毕，得到梯度影像的分水线，即影像分割的边界线；

步骤七、通过分割边界线将影像分成了大量的区域，这些区域即为影像分割结果，代表不同的地类信息，即静脉图像。

以动脉中线为分水岭，从动脉中线图像得到动脉图像的步骤与静脉类似，为节省篇幅，此处不再赘述。

可见，本实施方式首先对获取的眼底图像进行二次分割，将现有技术中的动脉、静脉、背景的三分类，转换为动脉、静脉的二分类，克服了类间不平衡的问题，提高了分割和分类的精度；然后采用血管跟踪方式，通过关键点的迭代判断来完成分割，有效克服了深度学习的长距离依赖问题，保证了动静脉分类在宏观上形态学上的连续性，避免分割结果出现动静脉相互混杂的情况。

请参阅图5，本发明的第三实施方式涉及一种计算机设备，包括存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序，处理器502执行所述计算机程序时实现以下步骤：

获取检查者的眼底图像；

对眼底图像进行二次分割，提取出动/静脉的初始分割图像；

从初始分割图像中提取多个关键点，以每个关键点为起点，沿血管走向跟踪动/静脉血管，提取各关键点相关的中线图像，将获取的多张中线图像叠加，得到动/静脉的整体中线图像；

对整体中线图像进行分水岭算法处理，将在空间位置上相近并且灰度值相近的像素点互相连接，得到分割好的动/静脉图像。

其中，存储器701和处理器702采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器702和存储器701的各种电路连接在一起。总线还可以将诸如外围设备703、稳压器704和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器702处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器702。

处理器702负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器701可以被用于存储处理器702在执行操作时所使用的数据。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本发明的第四实施方式涉及一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：

获取检查者的眼底图像；

对眼底图像进行二次分割，提取出动/静脉的初始分割图像；

从初始分割图像中提取多个关键点，以每个关键点为起点，沿血管走向跟踪动/静脉血管，提取各关键点相关的中线图像，将获取的多张中线图像叠加，得到动/静脉的整体中线图像；

对整体中线图像进行分水岭算法处理，将在空间位置上相近并且灰度值相近的像素点互相连接，得到分割好的动/静脉图像。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

综上所述，本发明的一种一种眼底彩照的动静脉分割方法、系统、设备及介质，首先对获取的眼底图像进行二次分割，将现有技术中的动脉、静脉、背景的三分类，转换为动脉、静脉的二分类，克服了类间不平衡的问题，提高了分割和分类的精度；然后采用血管跟踪方式，通过关键点的迭代判断来完成分割，有效克服了深度学习的长距离依赖问题，保证了动静脉分类在宏观上形态学上的连续性，避免分割结果出现动静脉相互混杂的情况。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。