一种基于动态加权注意力机制的眼底图像检测方法及系统技术方案

本发明专利技术涉及一种基于动态加权注意力机制的眼底图像检测方法及系统，涉及图像处理技术领域。利用眼底图像分割模型检测早产儿眼底图像的病变信息。首先对眼底图像进行连续下采样，将得到的下采样特征与相邻层得到的下采样特征进行动态加权注意力融合，再将加权融合后的特征与对应的上采样层的输出特征融合，最后将第n层上采样层的输出进行分类卷积操作，得到每个像素的病变概率。本发明专利技术对浅层网络模型进行层级特征融合以及动态加权注意力机制，在保证识别准确性的同时，可达到降低算法设计的复杂度、降低算法的运行时间以及减少GPU资源的过多占用的目的。的过多占用的目的。的过多占用的目的。

A fundus image detection method and system based on dynamic weighted attention mechanism

【技术实现步骤摘要】
一种基于动态加权注意力机制的眼底图像检测方法及系统


[0001]本专利技术涉及图像处理
，特别是涉及一种基于动态加权注意力机制的眼底图像检测方法及系统。

技术介绍

[0002]图像检测分割检测技术是计算机视觉研究中的一个经典难题，已成为图像理解领域关注的一个热点。传统的分割检测手段包括基于灰度、颜色、空间纹理、几何形状等把图像分割为若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或者相似性。近年来，随着深度学习技术的不断发展，图像分割技术也有了突飞猛进的进展，该技术已被广泛应用于无人驾驶、现实增强、安防监控等领域。
[0003]然而现有采用深度学习的分割检测方法为了提取到更丰富的特征，往往会将网络模型设置的很深，这不但导致了算法复杂度增加、算法运行时间过长，同时还占用了过多的GPU资源。
[0004]因此，本领域亟需一种能够在保证识别准确性的前提下，降低算法复杂度的技术方案。

技术实现思路

[0005]本专利技术的目的是提供一种基于动态加权注意力机制的眼底图像检测方法及系统，通过对浅层网络模型进行层级特征融合以及动态加权注意力机制，在保证识别准确性的同时，可达到降低算法设计的复杂度、降低算法的运行时间以及减少GPU资源的过多占用的目的。
[0006]为实现上述目的，本专利技术提供了如下方案：本专利技术提供了一种基于动态加权注意力机制的眼底图像检测方法，所述方法包括：获取待使用的眼底图像；利用眼底图像分割模型检测所述眼底图像的病变信息；所述眼底图像分割模型包括n层连续的下采样层和n层连续的上采样层，第n层下采样层与第一层上采样层连接：采用所述眼底图像分割模型对所述眼底图像进行连续n层下采样，得到n层下采样输出特征；将第i层下采样输出特征和相邻层下采样输出特征利用动态加权注意力机制融合，得到第i层加权特征，；其中，第1层加权特征为第1层下采样输出特征；将第i层加权特征与第n
‑
i层的上采样层的输出特征进行融合，并对融合特征进行反卷积后输入第n
‑
i+1层上采样层；其中，第1层上采样层的输入为第n层加权特征与第n层下采样输出特征融合反卷积操作后的特征；对第n层上采样层的输出进行分类卷积操作，得到每个像素的病变概率。
[0007]在一些实施例中，所述对第n层上采样层的输出进行分类卷积操作，得到每个像素
的病变概率，具体包括：对第n层上采样层的输出进行1x1xc卷积操作，得到每个像素的病变概率；其中，c表示分类的类别数目。
[0008]在一些实施例中，在所述对第n层上采样层的输出进行分类卷积操作之后，还包括：利用softmax归一化函数对卷积结果进行归一化。
[0009]在一些实施例中，所述将第i层输出特征和相邻层输出特征利用动态加权注意力机制融合，得到第i层加权特征，，具体包括：获取第i层、第i
‑
1层和第i+1层下采样输出特征；对所述第i层下采样输出特征、所述第i
‑
1层下采样输出特征和所述第i+1层下采样输出特征进行层级特征融合：分别计算所述第i层下采样输出特征、所述第i
‑
1层下采样输出特征和所述第i+1层下采样输出特征在通道方向的均值与标准方差；根据均值和标准方差通过一维高斯分布分别计算所述第i层下采样输出特征、所述第i
‑
1层下采样输出特征和所述第i+1层下采样输出特征的动态权重；根据所述动态权重计算所述第i层下采样输出特征、所述第i
‑
1层下采样输出特征和所述第i+1层下采样输出特征中每一个像素点在通道方向的权重；根据所述每一个像素点在通道方向的权重计算所述第i层下采样输出特征、所述第i
‑
1层下采样输出特征和所述第i+1层下采样输出特征的注意力权重；根据所述注意力权重对所述第i层下采样输出特征、第i
‑
1层下采样输出特征和第i+1层下采样输出特征进行加权注意力特征融合，得到第i层加权特征。
[0010]在一些实施例中，在所述获取第i层、第i
‑
1层和第i+1层下采样输出特征之后，还包括：对所述第i层下采样输出特征进行的卷积操作；其中，c表示输出的通道数；对所述第i
‑
1下采样层输出特征进行下采样和的卷积操作；对所述第i+1下采样层输出特征进行上采样和的卷积操作。
[0011]在一些实施例中，所述眼底图像分割模型的训练过程，具体包括：获取金标数据；所述金标数据为通过专业眼科医师标注过目标区域的眼底图像；利用所述金标数据训练基于动态加权注意力机制的网络模型，得到眼底图像分割模型。
[0012]在一些实施例中，在所述获取待使用的眼底图像之后，还包括：对所述眼底图像进行无效区域裁剪和影像增强。
[0013]在一些实施例中，所述影像增强的公式为：；其中，表示增强后的图像，表示无效区域裁剪后的图像，表示标准差为的高斯滤波。
[0014]本专利技术还提供了一种基于动态加权注意力的眼底图像检测系统，所述系统包括：数据获取单元，用于获取待使用的眼底图像；
病变检测单元，用于利用眼底图像分割模型检测所述眼底图像的病变信息；所述眼底图像分割模型包括n层连续的下采样层和n层连续的上采样层，第n层下采样层与第一层上采样层连接：病变检测单元，具体包括：下采样模块，用于采用所述眼底图像分割模型对所述眼底图像进行连续n层下采样，得到n层下采样输出特征；注意力机制加权模块，用于将第i层下采样输出特征和相邻层下采样输出特征利用动态加权注意力机制融合，得到第i层加权特征，；其中，第1层加权特征为第1层下采样输出特征；融合模块，用于将第i层加权特征与第n
‑
i层的上采样层的输出特征进行融合，并对融合特征进行反卷积后输入第n
‑
i+1层上采样层；其中，第1层上采样层的输入为第n层加权特征与第n层下采样输出特征融合反卷积操作后的特征；检测模块，用于对第n层上采样层的输出进行分类卷积操作，得到每个像素的病变概率。
[0015]在一些实施例中，所述将第i层下采样输出特征和相邻层下采样输出特征利用动态加权注意力机制融合，得到第i层加权特征，，具体包括：获取第i层、第i
‑
1层和第i+1层下采样输出特征；对所述第i层下采样输出特征、所述第i
‑
1层下采样输出特征和所述第i+1层下采样输出特征进行层级特征融合：分别计算所述第i层下采样输出特征、所述第i
‑
1层下采样输出特征和所述第i+1层下采样输出特征在通道方向的均值与标准方差；根据均值和标准方差通过一维高斯分布分别计算所述第i层下采样输出特征、所述第i
‑
1层下采样输出特征和所述第i+1层下采样输出特征的动态权重；根据所述动态权重计算所述第i层下采样输出特征、所述第i
‑
1层下采样输出特征和所述第i+1层下采样输出特征中每一个像素点在通道方向的权重；根据所述每一个像素点在通道方向的权重计算所述第i层下采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态加权注意力机制的眼底图像检测方法，其特征在于，所述方法包括：获取待使用的眼底图像；利用眼底图像分割模型检测所述眼底图像的病变信息；所述眼底图像分割模型包括n层连续的下采样层和n层连续的上采样层，第n层下采样层与第一层上采样层连接：采用所述眼底图像分割模型对所述眼底图像进行连续n层下采样，得到n层下采样输出特征；将第i层下采样输出特征和相邻层下采样输出特征利用动态加权注意力机制融合，得到第i层加权特征，；其中，第1层加权特征为第1层下采样输出特征；将第i层加权特征与第n
‑
i层的上采样层的输出特征进行融合，并对融合特征进行反卷积后输入第n
‑
i+1层上采样层；其中，第1层上采样层的输入为第n层加权特征与第n层下采样输出特征融合反卷积操作后的特征；对第n层上采样层的输出进行分类卷积操作，得到每个像素的病变概率。2.根据权利要求1所述的基于动态加权注意力机制的眼底图像检测方法，其特征在于，所述对第n层上采样层的输出进行分类卷积操作，得到每个像素的病变概率，具体包括：对第n层上采样层的输出进行1x1xc卷积操作，得到每个像素的病变概率；其中，c表示分类的类别数目。3.根据权利要求1所述的基于动态加权注意力机制的眼底图像检测方法，其特征在于，在所述对第n层上采样层的输出进行分类卷积操作之后，还包括：利用softmax归一化函数对卷积结果进行归一化。4.根据权利要求1所述的基于动态加权注意力机制的眼底图像检测方法，其特征在于，所述将第i层下采样输出特征和相邻层下采样输出特征利用动态加权注意力机制融合，得到第i层加权特征，，具体包括：获取第i层下采样输出特征、第i
‑
1层下采样输出特征和第i+1层下采样输出特征；对所述第i层下采样输出特征、所述第i
‑
1层下采样输出特征和所述第i+1层下采样输出特征进行层级特征融合：分别计算所述第i层下采样输出特征、所述第i
‑
1层下采样输出特征和所述第i+1层下采样输出特征在通道方向的均值与标准方差；根据所述均值和所述标准方差通过一维高斯分布分别计算所述第i层下采样输出特征、所述第i
‑
1层下采样输出特征和所述第i+1层下采样输出特征的动态权重；根据所述动态权重计算所述第i层下采样输出特征、所述第i
‑
1层下采样输出特征和所述第i+1层下采样输出特征中每一个像素点在通道方向的权重；根据所述每一个像素点在通道方向的权重计算所述第i层下采样输出特征、所述第i
‑
1层下采样输出特征和所述第i+1层下采样输出特征的注意力权重；根据所述注意力权重对所述第i层下采样输出特征、第i
‑
1层下采样输出特征和第i+1层下采样输出特征进行加权注意力特征融合，得到第i层加权特征。5.根据权利要求4所述的基于动态加权注意力机制的眼底图像检测方法，其特征在于，在所述获取第i层下采样输出特征、第i
‑
1层下采样输出特征和第i+1层下采样输出特征之后，还包括：
对所述第i层下采样输出特征进行的卷积操作；其中，c表示输出的通道数；对所述第i
‑
1层下采样输出特征进行下采样和的卷积操作；对所...

【专利技术属性】
技术研发人员：张冬冬，
申请(专利权)人：北京至真互联网技术有限公司，
类型：发明
国别省市：