基于多尺度注意力门控网络的视网膜血管图像分割方法技术

本发明专利技术涉及一种基于多尺度注意力门控网络的视网膜血管图像分割方法，包括：构建视网膜血管图像分割网络模型；视网膜血管图像分割网络模型通过多尺度特征卷积块，使用不同大小的卷积核来进行特征提取，利用不同特征尺度信息，对血管整体和末端细微血管进行有效提取分割，并使用非局部注意力模块，获取更加丰富的全局语义信息；而后在跳跃连接部分采用多尺度注意力门控网络，输入不同维度的特征图，有选择性的学习相互关联的区域；采用训练数据集对视网膜血管图像分割网络模型进行训练，得到训练好的视网膜血管图像分割网络模型；通过训练好的视网膜血管图像分割网络模型对视网膜血管图像进行图像分割。该方法有利于更准确地分割视网膜血管图像。割视网膜血管图像。割视网膜血管图像。

【技术实现步骤摘要】
基于多尺度注意力门控网络的视网膜血管图像分割方法


[0001]本专利技术属于图像处理
，具体涉及一种基于多尺度注意力门控网络的视网膜血管图像分割方法。

技术介绍

[0002]视网膜血管图像的准确分割不仅可以用于评估和检测各种眼科疾病，还可以及时反应糖尿病、血液病等全身疾病。因此，视网膜血管图像分割的研究对于视觉威胁性疾病的诊断具有重要意义，视网膜血管分割的精度对诊断效率有着关键影响。
[0003]由于眼部血管有许多细小的毛细结构，采用手动分割及其复杂且易受主观因素的影响，故对视网膜血管的自动高效分割十分重要。由于视网膜中的血管细小并且图像受光照等因素影响，导致传统算法对其的分割精度不是很理想，有血管末梢缺失和血管边缘分割不清楚等问题。
[0004]Wu等提出多尺度网络结构对视网膜血管进行分割，得到了更加精细的特征。Yan等人通过分析像素损失的局限性,提出了一种新的损失函数,注重细血管在分割中的占比。Alom等将递归残差结构与U
‑
net相结合，构建了R2U
‑
Net，来增大上下文信息的获本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度注意力门控网络的视网膜血管图像分割方法，其特征在于，包括：构建视网膜血管图像分割网络模型；所述视网膜血管图像分割网络模型通过多尺度特征卷积块，使用不同大小的卷积核来进行特征提取，利用不同特征尺度信息，对血管整体和末端细微血管进行有效提取分割，并使用非局部注意力模块，获取更加丰富的全局语义信息；而后在跳跃连接部分采用多尺度注意力门控网络，输入不同维度的特征图，有选择性的学习相互关联的区域；采用训练数据集对所述视网膜血管图像分割网络模型进行训练，得到训练好的视网膜血管图像分割网络模型；通过训练好的视网膜血管图像分割网络模型对视网膜血管图像进行图像分割。2.根据权利要求1所述的基于多尺度注意力门控网络的视网膜血管图像分割方法，其特征在于，在所述视网膜血管图像分割网络模型中，编码器的每一步都包括一个多尺度特征卷积块和一个2
×
2最大池化操作，在每个下采样中，将特征通道的数量加倍；解码器中的每个步都包括一个用于上采样的2
×
2转置卷积操作，并将特征通道的数量减半，与来自编码器的相应特征映射级联；在编码器和解码器之间设置非局部注意力模块。3.根据权利要求1所述的基于多尺度注意力门控网络的视网膜血管图像分割方法，其特征在于，所述多尺度特征卷积块使用1
×
1、3
×
3、5
×
5三种不同大小的卷积核来提取多尺度特征进行融合，以提高微血管特征提取能力；卷积结果通过concatenate的方式融合为一个组合特征图，再经过一个1
×
1的卷积，保持通道数与输入特征图一致；然后使用DropBlock有效的丢弃多尺度特征图中部分语义信息，防止网络过拟合；输入的特征图通过1
×
1的卷积添加到经过DropBlock的多尺度特征图中，形成残差结构；结构块中加入ReLU激活函数，以避免过拟合。4.根据权利要求1所述的基于多尺度注意力门控网络的视网膜血管图像分割方法，其特征在于，所述非局部注意力模块通过计算特征中每个位置的加权和，来增加全局特征之间的关联性，在较远距离相关联的特征像素点之间建立依赖联系，以更好的捕获全局的语义信息；所述非局部注意力模块对输入特征图进行线性映射分别生成三个特征图M1、M2、M3，通过reshape和transpose得到M1、M2的乘法矩阵，并通过softmax函数得到全局的空间注意图A；将空间注意力图A应用在M...

【专利技术属性】
技术研发人员：曹新容，朱禹，李佐勇，滕升华，丁诗峰，
申请(专利权)人：闽江学院，
类型：发明
国别省市：