【技术实现步骤摘要】
本专利技术涉及视网膜血管分割，尤其涉及一种基于多尺度注意力机制的视网膜血管分割方法。
技术介绍
1、视网膜血管是眼底图像中可观察的重要结构，也是医生诊断各种眼底疾病的重要依据。
2、尽管深度学习在视网膜血管分割中取得了突破性的提升，但视网膜血管图像其区别于自然场景图像的特点决定了视网膜血管分割需要面临更大的挑战，如数据集样本少、图像对比度不足和血管尺度变化大等均是需要面临的问题，因此如何高效地分割出视网膜血管是一个亟需解决的问题，针对当前数据集样本少，图像对比度不足以及血管尺度变化大等问题。
3、现有技术虽然大多也对unet模型进行改进，但是基本上只利用模型解码网络中最后一层的特征图，缺少能够利用解码网络中所有的特征图，形成特征金字塔来捕获多尺度血管特征信息，最终解决模型的分割精度的技术方案。
技术实现思路
1、本专利技术的目的是为了解决现有技术中存在的缺陷，而提出的基于多尺度注意力机制的视网膜血管分割方法。
2、为了实现上述目的，本专利技术采用了如下技
【技术保护点】
1.一种基于多尺度注意力机制的视网膜血管分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多尺度注意力机制的视网膜血管分割方法，其特征在于，所述步骤一具体包括：
3.根据权利要求2所述的基于多尺度注意力机制的视网膜血管分割方法，其特征在于，数据预处理手段包括随机裁剪、归一化、灰度处理，直方图均衡化，伽马校正来扩充数据集和增加图像的对比度，裁剪后图像的像素尺寸为64×64；
4.根据权利要求1所述的基于多尺度注意力机制的视网膜血管分割方法，其特征在于，所述步骤二具体包括：
5.根据权利要求1所述的基于多尺度...
【技术特征摘要】
1.一种基于多尺度注意力机制的视网膜血管分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多尺度注意力机制的视网膜血管分割方法，其特征在于，所述步骤一具体包括：
3.根据权利要求2所述的基于多尺度注意力机制的视网膜血管分割方法，其特征在于，数据预处理手段包括随机裁剪、归一化、灰度处理，直方图均衡化，伽马校正来扩充数据集和增加图像的对比度，裁剪后图像的像素尺寸为64×64；
4.根据权利要求1所述的基于多尺度注意力机制的视网膜血管分割方法，其特征在于，所述步骤二具体包括：
5.根据权利要求1所述的基于多尺度注意力机制的视网膜血管分割方法，其特征...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。