一种基于像素级筛选策略的视网膜血管分割系统

1.一种基于像素级筛选策略的视网膜血管分割系统，其特征在于，包括：眼底图像获取单元，用于获取待分割的眼底图像；图像预处理单元，用于对待分割的眼底图像进行标准化预处理，得到标准化图像样本；二分类标签输出单元，用于将标准化图像样本输入至经二次监督训练的进阶分割模型中，输出每个像素单元的血管类别概率，并将所述血管类别概率转化为血管或背景的二分类标签；其中，所述进阶分割模型的训练包括：对有标签图像样本的像素单元或第二伪标签的高可信像素单元执行基于二分类监督训练；还包括：对第二伪标签样本中的低可信像素单元执行损失屏蔽操作；所述进阶分割模型的二次监督训练步骤包括：S1、加载待处理的N个眼底图像样本；S2、在N个眼底图像样本中标注K个有标签图像样本，并预测生成M个第一伪标签样本；其中，第一伪标签样本的每个像素单元均标记有血管类别概率；S3、对第一伪标签样本的像素单元进行筛选标记，直至得到M个第二伪标签样本；其中，第二伪标签样本的像素单元被标记为高可信像素单元或低可信像素单元；S4、将M个第二伪标签样本与K个有标签图像样本合并，得到J个优质图像样本；其中，J=M+K；S5、将J个优质图像样本输入至基础分割模型进行二次监督训练，经迭代生成进阶分割模型；所述将J个优质图像样本输入至基础分割模型进行二次监督训练，经迭代生成进阶分割模型，包括：S5-1、标记优质图像样本的当前迭代像素单元；S5-2、根据当前迭代像素单元继承的单元类别，执行二分类监督训练或损失屏蔽操作；S5-3、若单元类别为有标签图像样本的像素单元或第二伪标签的高可信像素单元，则对有标签图像样本的像素单元或第二伪标签的高可信像素单元执行基于二分类监督训练；S5-4、若样本类别为第二伪标签的低可信像素单元，则对第二伪标签样本中的低可信像素单元执行损失屏蔽操作。 2.根据权利要求1所述的基于像素级筛选策略的视网膜血管分割系统，其特征在于，在N个眼底图像样本中标注K个有标签图像样本，并预测生成M个第一伪标签样本，包括：S2-1、在N个眼底图像样本中选定K个眼底图像样本；S2-2、对K个选定的眼底图像样本进行二分类标注，定义为K个有标签图像样；并将未被选定标注的眼底图像样本定义为无标签图像样本；其中，有标签图像样本的像素单元均标注有二分类真标签，所述二分类真标签表征眼底图像样本中像素单元的类别被真实标注为视网膜血管或视网膜背景；S2-3、将K个有标签图像样本输入U-Net网络进行初次监督训练，经迭代生成基础分割模型；其中，基础分割模型的输出目标定义为像素单元的血管类别概率；S2-4、将无标签图像样本输入基础分割模型进行前向传播推理，预测生成M个第一伪标签样本。 3.根据权利要求2所述的基于像素级筛选策略的视网膜血管分割系统，其特征在于，对K个选定的眼底图像样本进行二分类标注，定义为K个有标签图像样；并将未被选定标注的眼底图像样本定义为无标签图像样本，包括：S2-2-1、对N个眼底图像样本进行标准化预处理，得到N个标准化图像样本；S2-2-2、对N个标准化图像样本进行数据增强，得到M个无标签图像样本；M＞N；S2-2-3、在M个无标签图像样本中选定K个无标签图像样本；S2-2-4、对K个无标签图像样本的像素单元进行二分类标注，得到K个有标签图像样本。 4.根据权利要求1所述的基于像素级筛选策略的视网膜血管分割系统，其特征在于，对第一伪标签样本的像素单元进行筛选标记，直至得到M个第二伪标签样本，包括：S3-1、对第一伪标签样本执行中值滤波，生成无噪声图像样本；S3-2、对无噪声图像样本执行边缘检测，以将像素单元标记为轮廓像素单元或非轮廓像素单元；S3-3、对无噪声图像样本的非轮廓像素单元进行动态阈值判定，以将非轮廓像素单元标记为高可信像素单元或低可信像素单元；S3-4、遍历M个第一伪标签样本的全部像素单元，重复执行中值滤波、边缘检测和动态阈值判定，直至将M个第一伪标签样本筛选标记为M个第二伪标签样本。 5.根据权利要求4所述的基于像素级筛选策略的视网膜血管分割系统，其特征在于，对第一伪标签样本执行中值滤波，生成无噪声图像样本，包括：S3-1-1、锚定第一伪标签样本的待标记像素单元；S3-1-2、以待标记像素单元为窗口中心，构建一正方形的邻域窗口；其中，所述邻域窗口覆盖第一伪标签样本中若干相邻像素单元；S3-1-3、获取邻域窗口内若干相邻像素单元的像素值，并基于像素值排序构建像素值序列；S3-1-4、选择所述像素值序列中的像素中值，并以像素中值代替待标记像素单元的像素值；S3-1-5、遍历第一伪标签样本的全部像素单元，直至全部像素单元的像素值被替换为其邻域窗口内的像素中值，以生成所述无噪声图像样本。 6.根据权利要求5所述的基于像素级筛选策略的视网膜血管分割系统，其特征在于，对无噪声图像样本执行边缘检测，以将像素单元标记为轮廓像素单元或非轮廓像素单元，包括：S3-2-1、获取无噪声图像样本中每个像素单元的灰度值；S3-2-2、在无噪声图像样本中标记相邻像素单元，并计算相邻像素单元的灰度差值；S3-2-3、若灰度差值不为0，则判定相邻像素单元均为轮廓像素单元；否则判定为非轮廓像素单元；S3-2-4、遍历无噪声图像样本的全部像素单元，将像素单元标记为轮廓像素单元或非轮廓像素单元。 7.根据权利要求6所述的基于像素级筛选策略的视网膜血管分割系统，其特征在于，对无噪声图像样本的非轮廓像素单元进行动态阈值判定，以将非轮廓像素单元标记为高可信像素单元或低可信像素单元，包括：S3-3-1、在无噪声图像样本选定一非轮廓像素单元，标记为当前像素单元；S3-3-2、获取当前像素单元到当前迭代次数；S3-3-3、根据所述当前迭代次数，计算当前像素单元的动态概率阈值；S3-3-4、获取当前像素单元的血管类别概率；S3-3-5、若血管类别概率大于动态概率阈值，则将当前像素单元标注为高可信像素单元，否则标记为低可信像素单元。 8.根据权利要求7所述的基于像素级筛选策略的视网膜血管分割系统，其特征在于，对第二伪标签样本中的低可信像素单元执行损失计算的屏蔽操作，包括：S5-4-1、锚定低可信像素单元；S5-4-2、对低可信像素单元前向传播，预测生成低可信像素单元的血管类别概率；S5-4-3、跳过低可信像素单元的交叉熵损失计算，直接进入下一迭代像素单元的二次监督训练。