基于注意力机制的眼底图像动脉和静脉血管分割方法技术

一种基于注意力机制的眼底图像动脉和静脉血管分割方法，包括：对获取的眼底图像进行预处理并划分成训练集和测试集，同时对训练集进行数据扩增操作；搭建基于注意力机制的卷积神经网络模型；利用步骤S1得到的预处理后的训练集眼底图像对步骤S2构建的基于注意力机制的卷积神经网络进行训练，得到训练好的基于注意力机制的眼底图像动静脉血管分割网络；将待分割的眼底图像输入步骤S3得到的训练好的基于注意力机制的眼底图像动静脉血管分割网络进行分割，得到精确的分割结果。本发明专利技术以端到端的方式实现眼底图像动脉和静脉的分割，提高病灶分割的精度和网络的表征能力，提高细小血管的分割能力。管的分割能力。管的分割能力。

【技术实现步骤摘要】
基于注意力机制的眼底图像动脉和静脉血管分割方法


[0001]本专利技术涉及图像分割
，具体涉及一种基于注意力机制的眼底图像动脉和静脉血管分割方法。

技术介绍

[0002]语义分割是通过一定的方法将图像分割成具有一定语义含义的区域，并识别出每个区域块的语义类别，实现从底层到高层的语义推理过程，最终得到一幅具有逐像素级语义标注的分割图像。
[0003]视网膜是医疗中的一种常规检查，检查眼底可以直接看到血管和神经组织，对视网膜血管的形态、外观、直径等形态学特征的分析，可以作为各种视网膜和系统性疾病的重要诊断指标。动静脉直径比值(AVR)是一种基本的特征，动静脉直径比值的变化可用于多种系统性疾病的发生和死亡风险的预测。例如全身小动脉狭窄是高血压性视网膜病变的早期特征之一；静脉口径增加与糖尿病视网膜病变和卒中的风险相关。直接计算动静脉比值比较困难，因此作为测量动静脉直径比值的基础步骤，区分视网膜血管中的动脉和静脉，对许多系统性疾病的早期预测和观察病情进展具有重要意义。
[0004]传统的基于特征的方法通常是先分割血管系统并将分割的血本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制的眼底图像动脉和静脉血管分割方法，其特征在于，包括以下步骤：步骤S1：对获取的眼底图像进行预处理并划分成训练集和测试集，同时对训练集进行数据扩增操作；步骤S2：搭建基于注意力机制的卷积神经网络模型；步骤S3：利用步骤S1得到的预处理后的训练集眼底图像对步骤S2构建的基于注意力机制的卷积神经网络进行训练，得到训练好的基于注意力机制的眼底图像动静脉血管分割网络；步骤S4：将待分割的眼底图像输入步骤S3得到的训练好的基于注意力机制的眼底图像动静脉血管分割网络进行分割，得到精确的分割结果。2.根据权利要求1所述的一种基于注意力机制的眼底图像动脉和静脉血管分割方法，其特征在于：在步骤S1中对眼底图像进行预处理，以优化血管分割结果，具体包括：步骤S11：对眼底图像进行预处理操作以提搞血管与背景之间的对比度，具体包括：为首先对眼底图像应用核为65
×
65像素、零均值和标准差为10的高斯滤波器，然后从原始图像中减去高斯滤波的输出，最后对得到处理图像进行归一化；进行预处理的具体过程表示为：N(w,h)＝I(w,h)
‑
G(w,h)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，N是归一化图像，I是原始图像，G是进行高斯滤波之后的图像，w与h分别表示图像的宽度与高度；步骤S12：对预处理得到的训练集图片使用旋转、裁剪、颜色扰动操作，从而扩增训练数据。3.根据权利要求1所述的一种基于注意力机制的眼底图像的动脉和静脉血管分割方法，其特征在于，步骤S2中搭建的基于注意力机制的卷积神经网络模型，以U
‑
Net为主干网络，包括编码器、解码器、注意力模块与结构化的DropBlock模块；具体包括：步骤S21：搭建编码器；编码器部分包含4个编码层，第一个编码层由两个卷积层和一次下采样操作组成，下采样操作使用最大池化；每个卷积层后面跟着一个DropBlock、BatchNormalization层(BN层)和Relu层，且第二个卷积层中Relu层的输出再经过下采样操作得到第一个编码层的输出结果；第二个编码层、第三个编码层与第四个编码层的结构均与第一个编码层结构相同；本发明将卷积层后面跟着一个DropBlock、BatchNormalization层(BN层)和Relu层的结构称为结构化的DropBlock模块，每层编码层对图像编码的具体过程为：O
i
＝Pooling(Relu(DropBlock(Conv(I))))
ꢀꢀꢀꢀꢀꢀꢀ
(2)其中，I表示输入的特征图，Conv表示卷积操作，DropBlock表示正则化操作，Pooling表示池化操作，Relu表示激活函数，O
i
表示每一编码层的输出特征图，i＝1，2，3，4；经过池化操作后，每层编码层输出的特征图尺寸是原始输入图片尺寸的1/2、1/4、1/8和1/16；将第一编码层的输出结果输入第二编码层，第二编码层的输出结果输入第三编码层，第三编码层的输出结果输入第四编码层；步骤S22：搭建解码器部分；解码器部分包含与编码器相对称的4个解码层；第一个解码层由两个结构化的DropBlock模块和1次上采样组成，上采样操作使用反卷积；在第一个结
构化的DropBlock模块与第二个结构化的DropBlock模块之间加入注意力机制模块，注意力机制模块由通道注意力模块和空间注意力模块构成；第一个结构化的DropBlock模块的输出结果首先经过通道注意力模块的处理，具体步骤为：将第一个结构化的DropBlock模块的输出结果F∈R
H
×
W
×
C
(H表示高度，W表示宽度，C表示通道数)使用最大池化和平均池化，压缩F的空间维度，得到两个不同的空间背景描述F
c
max和F
c
avg；然后使用共享的多层感知机(MLP)对F
c
max和F
...

【专利技术属性】
技术研发人员：刘玲，龙胜春，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：