一种融合多尺度特征的密集卷积网络视网膜血管分割方法技术

本申请提供一种融合多尺度特征的密集卷积网络视网膜血管分割方法，首先，将图片分类作为训练集验证集和测试集打包；再将图片进行一系列的预处理和数据增加后，经过密集网络模型训练并保存最好的网络模型；最后，载入网络模型进行预测。本发明专利技术中的方法主要用于辅助医生分析和研究视网膜疾病,对于视网膜相关疾病的预防和治疗具有重要的意义。视网膜的相关疾病易导致视网膜的损伤,因此,利用视网膜分割图像中血管的粗细、弯曲度、以及空间结构特性,诊断视网膜是否存在病变或结构异常。本发明专利技术精度和分割效果相较于其他网络都有明显提升。

【技术实现步骤摘要】

本专利技术属于深度学习图像分割领域，具体涉及一种融合多尺度特征的密集卷积网络视网膜血管分割方法。

技术介绍

1、视网膜血管分割主要用于辅助医生分析和研究视网膜疾病,对于视网膜相关疾病的预防和治疗具有重要的意义。视网膜的相关疾病易导致视网膜的损伤,因此,利用视网膜分割图像中血管的粗细、弯曲度、以及空间结构特性,诊断视网膜是否存在病变或结构异常。

2、传统视网膜图像分割主要以血管明显特性为着手点进行算法设计；通常将纹理、颜色、形状这些明显的血管特征作为设计分割算法的依据。如利用多尺度匹配滤波和双阈值法结合的方法,通过融合匹配滤波器在不同尺度上的结果,实现了一种简单有效的多尺度血管分割方案,抑制噪声的同时进一步增强血管。但传统方法耗时长，准确率低，于是研究人员尝试使用深度学习方法来完成视网膜血管的分割。如unet网络使用编码和解码结构，采用逐层上采样补充同尺度下采样造成的信息丢失,从而可结合上层较浅层与下层较深层的语义信息,使网络的上下文信息更加完整,分割精度更高。saunet在unet的基础上，在其最下层网络中加入了注意力机制，让网络更加关注特征区本文档来自技高网...

【技术保护点】

1.一种融合多尺度特征的密集卷积网络视网膜血管分割方法，其特征是包括：

2.根据权利要求1所述一种融合多尺度特征的密集卷积网络视网膜血管分割方法，其特征是：步骤2中的预处理包括：将原本三通道原始图片转换成灰度图，再运用伽马变换的图像增强算法，最后将图片数据调整至[0,1]之间，伽马变换算法用于图像校正，通过调节灰度图像的亮度来增强图像的对比度，其公式为：

3.根据权利要求1所述一种融合多尺度特征的密集卷积网络视网膜血管分割方法，其特征是：密集聚合模块结合自注意力机制具体包含以下步骤：

4.根据权利要求3所述一种融合多尺度特征的密集卷积网络视网膜血管分割...

【技术特征摘要】

1.一种融合多尺度特征的密集卷积网络视网膜血管分割方法，其特征是包括：

2.根据权利要求1所述一种融合多尺度特征的密集卷积网络视网膜血管分割方法，其特征是：步骤2中的预处理包括：将原本三通道原始图片转换成灰度图，再运用伽马变换的图像增强算法，最后将图片数据调整至[0,1]之间，伽马变换算法用于图像校正，通过调节灰度图像的亮度来增强图像的对比度，其公式为：

3.根据权利要求1所述一种融合多尺度特征的密集卷积网络视网膜血管分割方法，其特征是：密集聚合模块结合自注意力机制具体包含以下步骤：

4.根据权利要求3所述一种融合多尺度特征的密集卷积网络视网膜血管分割方法，其特征是：步骤s11中，自注意力机制公式为：

5.根据权利要求3所述一种融合多尺度特征的密集卷积网络视...

【专利技术属性】
技术研发人员：雷帮军，何志豪，
申请(专利权)人：三峡大学，
类型：发明
国别省市：