眼底图像中视网膜血管分割方法及计算机可读存储介质技术

本发明专利技术提供一种眼底图像中视网膜血管分割方法及计算机可读存储介质，方法包括：对公开数据集的眼底图像进行预处理；对预处理后的眼底图像进行裁剪扩充并分为训练集和交叉验证集；搭建残差非局部注意力网络，残差非局部注意力网络包括：采用具有跳跃连接的编码网络‑解码网络架构作为基础模型，嵌入残差非局部注意模块来捕获输入特征的不同区域之间的非局部上下文依赖关系；在编码网络最后添加了金字塔池化模块以捕获多尺度特征；采用训练集训练残差非局部注意力网络；并通过交叉验证集确定残差非局部注意力网络的模型参数；采用训练好的残差非局部注意力网络对待处理的眼底图像进行分割，得到视网膜血管分割图。具有更好的分割性能。

【技术实现步骤摘要】
眼底图像中视网膜血管分割方法及计算机可读存储介质
本专利技术涉及医学图像处理
，尤其涉及一种眼底图像中视网膜血管分割方法及计算机可读存储介质。
技术介绍
视网膜血管的分析可提供有关眼睛状况和人体健康的丰富信息，其中，获得清晰的血管分布图是至关重要的一步。最近，视网膜血管分割方法常采用卷积神经网络(CNN)作为基础模型算法，且该模型算法在分割任务中显示了出色的特征提取能力。然而，固定的感受野使网络无法适应视网膜血管的尺度变化。因为视网膜血管结构是复杂的，纠缠的和多尺度的。此外，局部感受野无法捕获整个特征图不同区域之间的全局信息和上下文依赖关系，这会影响模型的鲁棒性。对于诸如摄影条件引起的照明不均匀和图像分辨率低等全局问题，该模型无法从眼底图像中自适应地分割目标对象。现有技术中缺乏一种性能和自适应性理想的眼底图像中视网膜血管分割方法。以上
技术介绍
内容的公开仅用于辅助理解本专利技术的构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述
技术介绍
不应当用于评价本申请的新颖性和创造性。
技术实现思路
本专利技术为了解决现有的问题，提供一种眼底图像中视网膜血管分割方法及计算机可读存储介质。为了解决上述问题，本专利技术采用的技术方案如下所述：一种眼底图像中视网膜血管分割方法，包括如下步骤：S1：对公开数据集的眼底图像进行预处理；S2：对预处理后的眼底图像进行裁剪扩充并分为训练集和交叉验证集；S3：搭建残差非局部注意力网络，所述残差非局部注意力网络包括：采用具有跳跃连接的编码网络-解码网络架构作为基础模型，在所述基础模型上嵌入残差非局部注意模块来捕获输入特征的不同区域之间的非局部上下文依赖关系；在所述编码网络最后添加了金字塔池化模块以捕获多尺度特征；S4：采用所述训练集的眼底图像作为输入特征输入所述残差非局部注意力网络，训练所述残差非局部注意力网络；并通过所述交叉验证集确定所述残差非局部注意力网络的模型参数；S5：采用训练好并确定好模型参数的所述残差非局部注意力网络对待处理的眼底图像进行分割，得到视网膜血管分割图。优选地，对所述公开数据集的眼底图像进行预处理包括：对所述眼底图像进行对图像进行灰度转换、标准化操作、对比度受限自适应直方图均衡、伽马校正。优选地，对预处理后的眼底图像进行裁剪扩充包括：从每个所述预处理后的眼底图像中随机裁剪出多个大小相等的图像块以预先设置的比例组成所述训练集和所述交叉验证集。优选地，所述编码网络通过最大池化操作实现下采样，通过反卷积实现上采样。优选地，所述残差非局部注意模块包括卷积分支和特征注意力分支，经过残差连接；所述卷积分支，用于使用两个卷积神经网络模块从作为输入特征的所述眼底图像中提取信息；所述特征注意分支，用于计算一个非局部注意力掩码以捕获作为输入特征的所述眼底图像中不同特征区域之间的长期依赖关系。优选地，每个所述卷积神经网络模块卷积模块包含内核尺寸3×3步幅为1的卷积运算，批量归一化层和ReLU激活层。优选地，所述特征注意分支有两个输入矩阵，分别为所述残差非局部注意力网络的原始输入特征和所述卷积分支提取出的特征两个输入特征输入1×1卷积层以分别生成两个新的特征图A和B，其中将这两个特征图矩阵维度变换为其中N＝H×W代表像素数目；对A的转置和B执行矩阵乘法并应用softmax层来计算特征注意力掩膜表现形式为：其中，Mij用来衡量第i个位置对第j个位置的贡献；同时，将始输入特征输入到卷积层中以生成新的特征图并将其矩阵维度变换为重塑为将所述特征图C与所述特征注意力掩膜M进行矩阵乘法操作，并将操作结果D维度变换为对输入特征X和D进行残差连接，即执行逐元素求和运算，得到了在特征注意力掩码下的特征输出Y,表现形式为：最后，在所述特征注意力分支的末尾添加卷积层进行特征混合。优选地，所述金字塔池化模块使用四个不同尺寸的最大池化内核来匹配多尺度对象，即1×1、2×2、3×3和6×6；每个池化操作后都跟随一个1x1卷积层以减少通道数；通过双线性插值将1x1卷积后的特征图上采样到与所述原始输入特征相同的空间大小；将所述原始特征特征与上采样特征图级联起来得到所述金字塔池化模块的输出。优选地，选择所述交叉验证集上具有损失函数最小值的所述残差非局部注意力网络的模型参数。一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上任一所述方法的步骤。本专利技术的有益效果为：提供一种眼底图像中视网膜血管分割方法及计算机可读存储介质，通过增加跳跃连接可以补充在特征提取过程即编码过程中损失的细节信息，方便后续精准分割定位视网膜血管；在基础模型上嵌入残差非局部注意模块来捕获输入特征的不同区域之间的非局部上下文依赖关系，可以着重特征区域忽略无关区域；在编码路径的末尾添加了金字塔池化模块，以多种尺度检测对象特征；可以适应视网膜血管的尺度变化，捕获到非局部信息和分割目标的多尺度特征，并获得更好的分割性能。附图说明图1是本专利技术实施例中一种眼底图像中视网膜血管分割方法的示意图。图2是本专利技术实施例中残差非局部注意力网络的示意图。图3是本专利技术实施例中残差非局部注意力模块的示意图。图4是本专利技术实施例中金字塔池化模块结构的示意图。图5是本专利技术实施例中的一种试验结果对比图。具体实施方式为了使本专利技术实施例所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。另外，连接既可以是用于固定作用也可以是用于电路连通作用。需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多该特征。在本专利技术实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。如图1所示，本专利技术提供一种眼底图像中视网膜血管分割方法，包括如下步骤：S1：对公开数据集的眼底图像进行预处理；S2：对预处理后的眼底图像进行裁剪扩充并分为训练集和交叉验证本文档来自技高网...

【技术保护点】
1.一种眼底图像中视网膜血管分割方法，其特征在于，包括如下步骤：/nS1：对公开数据集的眼底图像进行预处理；/nS2：对预处理后的眼底图像进行裁剪扩充并分为训练集和交叉验证集；/nS3：搭建残差非局部注意力网络，所述残差非局部注意力网络包括：采用具有跳跃连接的编码网络-解码网络架构作为基础模型，在所述基础模型上嵌入残差非局部注意模块来捕获输入特征的不同区域之间的非局部上下文依赖关系；在所述编码网络最后添加了金字塔池化模块以捕获多尺度特征；/nS4：采用所述训练集的眼底图像作为输入特征输入所述残差非局部注意力网络，训练所述残差非局部注意力网络；并通过所述交叉验证集确定所述残差非局部注意力网络的模型参数；/nS5：采用训练好并确定好模型参数的所述残差非局部注意力网络对待处理的眼底图像进行分割，得到视网膜血管分割图。/n

【技术特征摘要】
1.一种眼底图像中视网膜血管分割方法，其特征在于，包括如下步骤：
S1：对公开数据集的眼底图像进行预处理；
S2：对预处理后的眼底图像进行裁剪扩充并分为训练集和交叉验证集；
S3：搭建残差非局部注意力网络，所述残差非局部注意力网络包括：采用具有跳跃连接的编码网络-解码网络架构作为基础模型，在所述基础模型上嵌入残差非局部注意模块来捕获输入特征的不同区域之间的非局部上下文依赖关系；在所述编码网络最后添加了金字塔池化模块以捕获多尺度特征；
S4：采用所述训练集的眼底图像作为输入特征输入所述残差非局部注意力网络，训练所述残差非局部注意力网络；并通过所述交叉验证集确定所述残差非局部注意力网络的模型参数；
S5：采用训练好并确定好模型参数的所述残差非局部注意力网络对待处理的眼底图像进行分割，得到视网膜血管分割图。


2.如权利要求1所述的眼底图像中视网膜血管分割方法，其特征在于，对所述公开数据集的眼底图像进行预处理包括：
对所述眼底图像进行对图像进行灰度转换、标准化操作、对比度受限自适应直方图均衡、伽马校正。


3.如权利要求2所述的眼底图像中视网膜血管分割方法，其特征在于，对预处理后的眼底图像进行裁剪扩充包括：
从每个所述预处理后的眼底图像中随机裁剪出多个大小相等的图像块以预先设置的比例组成所述训练集和所述交叉验证集。


4.如权利要求3所述的眼底图像中视网膜血管分割方法，其特征在于，所述编码网络通过最大池化操作实现下采样，通过反卷积实现上采样。


5.如权利要求4所述的眼底图像中视网膜血管分割方法，其特征在于，所述残差非局部注意模块包括卷积分支和特征注意力分支，经过残差连接；
所述卷积分支，用于使用两个卷积神经网络模块从作为输入特征的所述眼底图像中提取信息；
所述特征注意分支，用于计算一个非局部注意力掩码以捕获作为输入特征的所述眼底图像中不同特征区域之间的长期依赖关系。

【专利技术属性】
技术研发人员：张凯，陈艺璇，董宇涵，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：广东;44