一种混合注意力机制的眼底图像视网膜血管分割方法技术

本发明专利技术公开了一种混合注意力机制的眼底图像视网膜血管分割方法，包括以下步骤：S1：获取视网膜眼底图像，将视网膜图像分为训练集和测试集；S2：构建混合注意力卷积神经网络，所述混合注意力卷积神经网络用于对视网膜眼底图像中视网膜血管的分割；S3：利用训练集训练所述混合注意力卷积神经网络，利用测试集测试所述混合注意力卷积神经网络，得到训练好的混合注意力卷积神经网络；S4：将待分割的视网膜图像输入至训练好的混合注意力卷积神经网络，所述混合注意力卷积神经网络输出视网膜图像血管分割结果。本发明专利技术有效的对低对比度的血管结构进行精准分割，对复杂的眼底图像病灶、血管中心反光现象的干扰和光照不均衡现象的干扰具有较强的鲁棒性。

【技术实现步骤摘要】
一种混合注意力机制的眼底图像视网膜血管分割方法
本专利技术涉及图像处理领域，更具体地，涉及一种混合注意力机制的眼底图像视网膜血管分割方法。
技术介绍
视网膜眼底图像分析被广泛用于如青光眼和白内障等眼科疾病、糖尿病、高血压和动脉硬化等心血管类疾病的诊断，筛查和临床研究。对视网膜血管的精确分割是视网膜眼底图像分析中最重要的一个步骤，视网膜血管不但能反映如糖尿病视网膜病变等疾病的病情，还能帮助如微动脉瘤和硬性渗出等视网膜眼底病灶的定位和诊断。但是在临床实践中，视网膜血管分割一般由眼科医师或专家标注完成，是一项需要熟练技巧，乏味而耗时的工作。再者，不同观察者的经验判断，主观感受都不一样，即便是对同一张视网膜眼底图像进行血管分割标注，不同观察者给出的血管分割结果也各不相同。因此传统的手工视网膜血管分割不仅耗费大量人力，而且没有办法保证血管分割的精度和效率由于视网膜病变、血管中心反光现象、血管背景对比度低、血管分支和拓扑结构复杂等影响，给视网膜血管分割带来了一定的难度。据调研，现如今对眼底血管进行分割的方法大致可以分为三大类：传统数字图像处理方法、本文档来自技高网...

【技术保护点】
1.一种混合注意力机制的眼底图像视网膜血管分割方法，其特征在于，包括以下步骤：/nS1：获取视网膜眼底图像，将视网膜图像分为训练集和测试集；/nS2：构建混合注意力卷积神经网络，所述混合注意力卷积神经网络用于对视网膜眼底图像中视网膜血管的分割；/nS3：利用训练集训练所述混合注意力卷积神经网络，利用测试集测试所述混合注意力卷积神经网络，得到训练好的混合注意力卷积神经网络；/nS4：将待分割的视网膜图像输入至训练好的混合注意力卷积神经网络，所述混合注意力卷积神经网络输出视网膜图像血管分割结果。/n

【技术特征摘要】
1.一种混合注意力机制的眼底图像视网膜血管分割方法，其特征在于，包括以下步骤：
S1：获取视网膜眼底图像，将视网膜图像分为训练集和测试集；
S2：构建混合注意力卷积神经网络，所述混合注意力卷积神经网络用于对视网膜眼底图像中视网膜血管的分割；
S3：利用训练集训练所述混合注意力卷积神经网络，利用测试集测试所述混合注意力卷积神经网络，得到训练好的混合注意力卷积神经网络；
S4：将待分割的视网膜图像输入至训练好的混合注意力卷积神经网络，所述混合注意力卷积神经网络输出视网膜图像血管分割结果。


2.根据权利要求1所述的混合注意力机制的眼底图像视网膜血管分割方法，其特征在于，步骤S1中获取视网膜眼底图像从四个彩色视网膜图像公共数据库DRIVE、STARE、CHASE_DB1和HRF获取。


3.根据权利要求1所述的混合注意力机制的眼底图像视网膜血管分割方法，其特征在于，所述混合注意力卷积神经网络包括初始卷积模块、4组卷积编码器模块、1组混合注意力模型层数加深模块、4组注意力卷积解码器模块和卷积输出层模块，其中，视网膜眼底图像从初始卷积模块输入，依次经4组卷积编码器模块、1组混合注意力模型层数加深模块、4组注意力卷积解码器模块和卷积输出层模块输出。


4.根据权利要求3所述的混合注意力机制的眼底图像视网膜血管分割方法，其特征在于，所述初始卷积模块包括输入层和2层卷积层，其中所述输入层为整个混合注意力卷积神经网络输入视网膜眼底图像数据，并产生一个通道优先的3×512×512维度的张量，在2层卷积层中，卷积核大小均设置为3×3，步长均为1，边缘补值方式为等大补零，即根据卷积核大小和步长，在边缘补1像素的常数灰度值0，空洞系数为1。


5.根据权利要求4所述的混合注意力机制的眼底图像视网膜血管分割方法，其特征在于，所述4组卷积编码器模块中的每一个卷积编码模块均包括最大池化层和2组卷积层，所述张量在卷积编码器模块内部时，维度保持一致，通道数有最后一组卷积层的卷积运算翻倍。

【专利技术属性】
技术研发人员：马培立，朱贵杰，范衠，李晓明，林培涵，
申请(专利权)人：汕头大学，
类型：发明
国别省市：广东;44