基于双解码器与局部特征增强网络的血管旁异常分割方法技术

本发明专利技术涉及图像处理技术领域，尤其涉及基于双解码器与局部特征增强网络的血管旁异常分割方法，包括特征编码模块、局部特征增强模块和双解码器结构；利用特征编码模块提取输入视网膜光学相干断层扫描图像的深层语义特征；利用局部特征增强模块将深层语义特征分成多个patch块，计算每个patch块的像素表示和交互注意力表示，生成局部特征增强的深层语义特征；利用双解码器结构将局部特征增强的深层语义特征在边缘分割解码器支路提取边缘特征，上采样得到血管旁异常边缘分割预测图像，在主分割解码器支路中将边缘特征与局部特征增强的深层语义特征融合上采样，得到血管旁异常分割预测图像；利用联合分割损失函数在训练过程中优化分割网络。

【技术实现步骤摘要】

本专利技术涉及图像处理，尤其涉及基于双解码器与局部特征增强网络的血管旁异常分割方法。

技术介绍

1、图像分割是把图像分解成若干具有相同或相似性质的子区域，是图像语义理解的重要组成部分。传统的图像分割算法包括基于阈值的分割方法，基于区域的分割方法如种子区域生长法、分水岭法等，基于图论的分割方法如graphcut、grabcut和random walk等，基于小波分析和小波变换的图像分割算法等。随着深度学习技术的兴起和卷积神经网络的成功应用，图像分割领域迎来了革命性变革。2014年提出的全卷积网络（fullyconvolutional networks,fcn）是首个端对端的针对像素级预测的全卷积网络，自从该网络提出后，就成为语义分割的基本框架，后续算法基本都是在该网络框架中改进而来。2015年，最具有代表性的算法之一unet问世，被广泛应用于医学图像分割、自然图像分割等任务中，它的特点是使用了编码器和解码器结构，利用了跳跃连接将编码器的某些层于解码器中对应的层连接起来。高分辨网络hrnet通过并行连接从高分辨率到低分辨率的卷积来保持高分辨率表示，在人体姿态估本文档来自技高网...

【技术保护点】

1.基于双解码器与局部特征增强网络的血管旁异常分割方法，其特征在于：包括，

2.如权利要求1所述的基于双解码器与局部特征增强网络的血管旁异常分割方法，其特征在于：所述特征编码模块采用了基于ImageNet预训练的HRNet作为骨干网络，去除stem层中的第二个卷积层，HRNet从一个高分辨率特征开始，将低分辨率特征与高分辨率特征进行融合，特征编码模块由4个阶段组成，第n个阶段包含对于n个不同分辨率的n个卷积流n=1,2,3,4，通过在并行卷积流之间多次交换信息来实现不同分辨率的特征融合。

3.如权利要求2所述的基于双解码器与局部特征增强网络的血管旁异常分割方法，其...

【技术特征摘要】

1.基于双解码器与局部特征增强网络的血管旁异常分割方法，其特征在于：包括，

2.如权利要求1所述的基于双解码器与局部特征增强网络的血管旁异常分割方法，其特征在于：所述特征编码模块采用了基于imagenet预训练的hrnet作为骨干网络，去除stem层中的第二个卷积层，hrnet从一个高分辨率特征开始，将低分辨率特征与高分辨率特征进行融合，特征编码模块由4个阶段组成，第n个阶段包含对于n个不同分辨率的n个卷积流n=1,2,3,4，通过在并行卷积流之间多次交换信息来实现不同分辨率的特征融合。

3.如权利要求2所述的基于双解码器与局部特征增强网络的血管旁异常分割方法，其特征在于：所述特征编码模块由4个阶段组成包括，阶段1为输入视网膜oct图像，其中表示实数域，h和w分别表示视网膜oct图像的高度和宽度，经过一个卷积层，将输入特征的分辨率下采样至原来的1/2，得到特征，为特征的预设通道数，取值为64；卷积层包含一个卷积核大小为3×3、步长为2的卷积，批量归一化bn和激活函数relu，将下采样后的特征作为阶段1的输入，经过一个堆叠层得到阶段1的输出特征，为特征的预设通道数，取值为256；堆叠层包含4个级联的、具有残差结构的bottleneck，每个bottleneck中包含三个卷积以及激活函数relu，以调整通道数量；

4.如权利要求3所述的基于双解码器与局部特征增强网络的血管旁异常分割方法，其特征在于：所述局部特征增强lfe模块包括在特征编码器的末端，每一条分支都设计、嵌入了局部特征增强lfe模块，局部特征增强lfe模块将深层语义特征分成大小相同的k×k个patch块，对每个patch块分别进行像素表示和交互注意力表示，再合并成最终的增强特征；

5.如权利要求4所述的基于双解码器与局部特征增强网络的血管旁异常分割...

【专利技术属性】
技术研发人员：朱伟芳，范译，樊莹，陈新建，彭涛，
申请(专利权)人：苏州大学，
类型：发明
国别省市：