一种基于HA-UNet网络的眼底图像视盘检测方法技术

本发明专利技术涉及一种基于HA

【技术实现步骤摘要】
一种基于HA
‑
UNet网络的眼底图像视盘检测方法


[0001]本专利技术涉及一种基于HA
‑
UNet网络的眼底图像视盘检测方法，属于医学图像分析


技术介绍

[0002]青光眼是一种导致视力下降、致盲的眼部疾病，而青光眼引起的视觉功能的损伤是不可逆的，且几乎不能预防，所以做到早发现、早治疗对青光眼的治疗极其重要。在对青光眼的诊断中，眼底图像中视盘区域的检测发挥着十分重要的作用。而人工对于视盘区域的检测，往往受到主观经验、外在环境等因素的影响，在此背景下，通过人工智能的辅助实现对视盘区域高准确率检测就显得尤为重要。
[0003]随着机器学习和深度学习的发展，现有的视盘智能检测方法也利用了机器学习和深度学习。机器学习方法主要通过提取眼底图像的特征和训练好的分类器进行图像分割；而深度学习近年在医疗影像的处理中取得了很好的效果，先后提出了利用FCN、CNN、U
‑
Net等神经网络对视盘区域进行分割。
[0004]现有视盘检测技术虽然能实现了视盘区域的分割，但仍存在耗时长、易本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于HA
‑
UNet网络的眼底图像视盘检测方法，其特征在于：包括以下步骤：步骤一、数据预处理：获取待分割的原始医学图像，对其进行预处理，将原始图像缩放，再随机切割，并以分割后的医学图像作为标签，构建训练数据集；步骤二、构建HA
‑
UNet网络：HA
‑
UNet网络由编码模块、解码模块和混合注意力模块三部分组成；步骤三、模型训练：将训练集输入搭建的HA
‑
UNet网络中进行训练，当模型的损失函数不再降低之后，保存模型；步骤四、建立评价模型，评价指标的选用：采用平均相似度系数、杰卡德系数、召回率系数和准确度系数作为评价指标。2.根据权利要求1所述的一种基于HA
‑
UNet网络的眼底图像视盘检测方法，其特征在于：所述步骤二中编码模块包括六个依序级联的编码层，相邻编码层间通过下采样层连接，每个编码层的输出会通过一个HA模块与相应的解码层相连，解码模块包括依序级联的六个解码层，相邻解码层之间通过上采样连接，HA模块由通道注意力模块CA、空间注意力模块SA、反向注意力模块RA组成，将全局图像级内容集成到HA模块中，前景信息通过SA与CA注意力模块进行探索，背景信息再通过一个RA反向注意力模块进行探索，从而输出前景信息和背景信息互补的内容，所述训练数据集预处理后的图像输入到编码层，通过编码层对预处理后的图像进行特征编码，编码层的输出通过一个HA作用再连接到相应的解码层，解码模块包括依序级联的六个解码层，相邻解码层之间通过上采样连接。3.根据权利要求2所述的一种基于HA
‑
UNet网络的眼底图像视盘检测方法，其特征在于：所述步骤二具体包括：S21、六个编码层在原始UNet网络的基础上进行改进，将卷积单元用残差模块替换，六个编码层分别由3个、4个、6个、3个、3个、3个残差模块组成，每个残差模块均依次包括：3*3卷积层、归一化层、激活函数层、3*3卷积层、归一化层、加法器、激活层；S22、六个解码层，每个解码层由依次连接的三个卷积层，归一化层和激活层组成，每个阶段的输入是其上一阶段的上采样结果和相应编码器通过HA模块后输出结果的连接特征；S23、引入HA模块，HA模块由通道注意力模块CA、空间注意力模块SA、反向注意力模块RA组成；S24、引入通道注意力模块CA：通过全局平均池化来生成各通道的统计量，将全局空间信息压缩到一个通道描述符中，通过两个全连接层建模通道间的相关性，再为每个通道赋予不同的权重系数，从而来强化重要的特征抑制非重要的特征；S25、引入空间注意力模块SA：抑制与分割任务不相关的信息以及噪声的激活响应，同时增强与分割任务相关的目标区域的学习；S26、引入反向注意力模块RA：由该模块对背景信息进行建模，为模型学习提供重要线索；HA的输入为相应编码层的输出I，输入首先通过CA模块得到I
ca
，I
ca
再通过通道乘法器与I进行通道相乘得到I'
ca
，为得到背景信息，I'
ca
通过SA模块得到I
sa
，...

【专利技术属性】
技术研发人员：胡文丽，周晓飞，张继勇，李世锋，周振，何帆，
申请(专利权)人：中电数据服务有限公司，
类型：发明
国别省市：