[发明专利]一种用于眼底图像血管分割的神经网络模型

权利要求书

1.一种用于眼底图像血管识别的神经网络模型，其特征在于，包括：

多个血管特征提取层；

所述多个血管特征提取层基于预设层级顺序提取眼底图像中的血管特征；最低层的血管特征提取层提取眼底图像中的血管特征，得到特征图像；非最低层的血管特征提取层基于低一层的血管特征提取层得到的特征图像进行血管特征提取，得到特征图像；

多个血管特征处理层；

所述多个血管特征处理层与非最低层的多个血管特征提取层一一对应连接；每个所述血管特征处理层对连接的血管特征提取层得到的特征图像进行上采样处理，得到上采样图像；

多个血管特征优化层；

最低层的血管特征优化层连接最低层的血管特征提取层，非最低层的多个血管特征优化层与非最低层的多个血管特征处理层一一对应连接；最高层的血管特征处理层通过后向短连接与最低层的血管特征优化层连接；每个所述血管特征优化层通过前向短连接与高一层的血管特征优化层连接；每个所述血管特征优化层，用于获取连接的血管特征处理层得到的上采样图像；最低层的血管特征优化层，还用于获取最低层的血管特征提取层的特征图像；每个所述血管特征优化层，还用于对获取的每个图像均依次进行血管特征提取以及非线性化处理，得到每个图像对应的非线性化图像，并通过前向短连接将获取的每个图像发送给高一层的血管特征优化层；

血管图像融合层；

所述血管图像融合层分别连接每个所述血管特征优化层；所述血管图像融合层基于每个所述血管特征优化层预设的融合权重，融合每个所述血管特征优化层得到的非线性化图像，得到血管图像。

2.根据权利要求1所述的神经网络模型，其特征在于，所述多个血管特征提取层，包括：

卷积神经网络模型VGG16的卷积层conv1_2、卷积层conv2_2、卷积层conv3_3和卷积层conv4_3。

3.根据权利要求2所述的神经网络模型，其特征在于，所述多个血管特征处理层，包括：

第二上采样层、第三上采样层和第四上采样层；

所述卷积层conv2_2连接所述第二上采样层；

所述卷积层conv3_3连接所述第三上采样层；

所述卷积层conv4_3连接所述第四上采样层。

4.根据权利要求3所述的神经网络模型，其特征在于，所述多个血管特征优化层，包括：第一卷积层、第二卷积层、第三卷积层和第四卷积层；

所述卷积层conv1_2连接所述第一卷积层；

所述第二上采样层连接所述第二卷积层；

所述第三上采样层连接所述第三卷积层；

所述第四上采样层连接所述第四卷积层；

所述第四上采样层通过后向短连接与所述第一卷积层连接；

所述第一卷积层通过前向短连接与所述第二卷积层连接；

所述第二卷积层通过前向短连接与所述第三卷积层连接；

所述第三卷积层通过前向短连接与所述第四卷积层连接。

5.根据权利要求4所述的神经网络模型，其特征在于，多个所述血管特征优化层，还包括：第一非线性层、第二非线性层、第三非线性层和第四非线性层；

所述第一卷积层连接所述第一非线性层；

所述第二卷积层连接所述第二非线性层；

所述第三卷积层连接所述第三非线性层；

所述第四卷积层连接所述第四非线性层。

6.根据权利要求5所述的神经网络模型，其特征在于，所述第一非线性层、所述第二非线性层、所述第三非线性层和所述第四非线性层分别连接所述血管图像融合层。