利用图像分割技术(U-Net)提取眼底图像当中的血管图像

利用图像分割技术提取眼底图像当中的血管图像

前言

眼底图像的研究一直是计算机视觉在医学领域的热点。此次，我的研究中的一部分就涉及眼底血管的提取，因此，想写这篇博文作为自己的一个存档记录。

环境搭建

在此次眼底图像的分割中，我采用的U-Net神经网络来进行操作。U-Net网络源码已经被论文的作者放在GitHub上了。操作文档写的非常详细，但是在第三方依赖库方面，官方文档写的有点小问题。我把自己在实际安装过程中需要的第三方依赖库放到这里：

1. matplotlib
2. keras
3. sklearn
4. pillow(PIL)
5. numpy
6. h5py
7. configparser
8. opencv-python
9. scikit-learn
10. python-qt4

如果不安装python-qt4这个依赖库，可能会发生找不到共享文件的问题。
注意，此源码是基于python2写的，如果是python3的环境，需要稍微修改一下源码。如果您是python3的环境，推荐您使用CNU105这份源码，感谢这位大佬对代码的更新

正文

我是在linux服务器上跑的该源码，使用的是CNU105的这份源码。将源文件解压后，
因为我是想要生成自己数据的血管图像，因此我将自己的数据集导入了DRIVE/test/images文件中，然后运行prepare_datasets_DRIVE.py文件来生成模型所需要的HDF5数据，并且直接使用了官方提供的模型权重文件。由于我并不想测试该模型的精确度，只是想生成自己需要的血管图像，因此，改了改src文件夹下的retinaNN_predict.py文件，在148行代码后添加了以下几行，并注释掉了后面所有代码

data = np.transpose(pred_imgs,(0,2,3,1))
for i in range(int(data.shape[0])):
    visualize(data[i],path_experiment+str(i+1))

这样，运行run_testing.py文件后，我所需要的血管图像就保存在test文件夹下了。
不过官方提供的代码一次只能生成20张图片，等我研究一下，看看能不能改一下，再来更新该文章。