【技术实现步骤摘要】
视网膜图像的血管分割方法、装置、设备及存储介质
本专利技术涉及医学图像处理领域，尤其涉及一种视网膜图像的血管分割方法、装置、设备及存储介质。
技术介绍
心血管疾病是我国患病率第一位的非感染性疾病，已成为威胁我国国民健康的“第一杀手”，常见表现为血压升高、心脏病发作或是中风等，心血管疾病包括高血压、冠心病、脑血管疾病、周围血管疾病等。心血管疾病和许多系统性疾病都表现在视网膜血管内，并以不同的变化影响着视网膜眼底血管。视网膜血管的变化远早于有症状的临床病变，例如大部分心血管疾病在早期即可在视网膜血管形态上观察到病理学改变，这是早期观察和诊断的理论基础。临床研究发现，视网膜动静脉的不对称比与多种心血管疾病有关，视网膜小动脉管径狭窄与高血压的发生风险有关。视网膜血管的宽度、弯曲度和分形维数等形态属性，已被作为多种系统性疾病的候选临床生物标记物，视网膜血管弯曲度反映了心血管危险因素对视网膜血管的影响。因此，视网膜图像被广泛用于发现系统性血管疾病的早期临床证据，全自动的视网膜血管分割和计算方法可以辅助疾病的诊断、筛选、治疗和评估...
【技术保护点】
1.一种视网膜图像的血管分割方法，其特征在于，包括步骤：/n获取待处理的视网膜图像；/n对所述待处理的视网膜图像进行预处理，得到初始的血管增强图像；/n基于预先训练的血管分割模型，应用多通道交叉注意力机制对所述待处理的视网膜图像和所述初始的血管增强图像进行处理，得到血管分割模型的输出；其中，所述多通道交叉注意力机制包括通道加权处理过程和空间加权处理过程；/n根据所述血管分割模型的输出，得到血管分割结果。/n
【技术特征摘要】
1.一种视网膜图像的血管分割方法，其特征在于，包括步骤：
获取待处理的视网膜图像；
对所述待处理的视网膜图像进行预处理，得到初始的血管增强图像；
基于预先训练的血管分割模型，应用多通道交叉注意力机制对所述待处理的视网膜图像和所述初始的血管增强图像进行处理，得到血管分割模型的输出；其中，所述多通道交叉注意力机制包括通道加权处理过程和空间加权处理过程；
根据所述血管分割模型的输出，得到血管分割结果。
2.如权利要求1所述的视网膜图像的血管分割方法，其特征在于，所述对所述待处理的视网膜图像进行预处理，得到初始的血管增强图像，包括步骤：
首先对所述待处理的视网膜图像中的每个通道进行对比度受限直方图均衡化处理，接着对所述第一预处理图像进行灰度化，选取一种多尺度的线性结构单元进行形态学顶帽操作，然后进行归一化，得到所述初始的血管增强图像。
3.如权利要求1所述的视网膜图像的血管分割方法，其特征在于，所述基于预先训练的血管分割模型，应用多通道交叉注意力机制对所述待处理的视网膜图像和所述初始的血管增强图像进行处理，得到血管分割模型的输出，包括步骤：
应用多通道交叉注意力机制分别对所述待处理的视网膜图像和所述初始的血管增强图像进行处理，并对结果进行降采样，得到第一级视网膜图像和第一级血管增强图像；
应用多通道交叉注意力机制分别对所述第一级视网膜图像和所述第一级血管增强图像进行处理，并进行降采样，得到第二级视网膜图像和第二级血管增强图像；
应用多通道交叉注意力机制分别对所述第二级视网膜图像和所述第二级血管增强图像进行处理，并对结果进行拼接处理，得到第二级输出；
将所述第二级输出、所述第二级视网膜图像和所述第二级血管增强图像进行拼接处理，并进行上采样，得到第一级输出；
将所述第一级输出、所述第一级视网膜图像和所述第一级血管增强图像进行拼接处理，并进行上采样，得到所述血管分割模型的输出。
4.如权利要求1-3任一项所述的视网膜图像的血管分割方法，其特征在于，所述多通道交叉注意力机制包括通道加权处理过程和空间加权处理过程，具体包括：
根据SE网络结构对输入图像的卷积层特征进行处理，得到通道权重；根据所述通道权重和所述输入图像的卷积层特征得到通道加权特征；其中，所述输入图像为视网膜图像或血管增强图像；
对空间输入图像的特征图进行卷积和激活操作，接着使用相同大小...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。