[发明专利]对称全卷积神经网络模型构建方法、眼底图像血管分割方法、装置、计算机设备及存储介质

权利要求书

1.一种对称全卷积神经网络模型构建方法，所述方法包括：

对原始眼底图像进行分块处理；

对分块处理后的原始眼底图像进行白化处理以得到原始眼底图像块；

将原始眼底图像块输入到预设的对称全卷积神经网络中进行训练，以得到预设的对称全卷积神经网络模型，其中，

对称全卷积神经网络中包括输入层、隐藏层、输出层，其中，除了输入层和输出层，其他都是隐藏层，隐藏层中多个层是对称结构；隐藏层分为下采样循环单元和上采样循环单元，

下采样循环单元由若干卷积层和池化层交替组合而成，在网络的训练中能够对输入图像进行路径收缩从而捕捉到全局信息；每个下采样循环单元包括：下采样第一卷积层、下采样叠加处理层、下采样标准化处理层、下采样激活函数处理层、下采样第二卷积层、下采样池化层；其中：

获取的训练样本输入到所述下采样循环单元中的下采样第一卷积层，以进行卷积处理，下采样第一卷积层对上一层输出的特征图提取特征；下采样叠加处理层用于获取本层之前的所有输出的特征图，并将所获取的特征图叠加；激活后的特征图输入到所述下采样循环单元中的下采样第二卷积层，进行卷积处理；

上采样循环单元由若干卷积层和反卷积层交替组合而成，在网络训练中对下采样的特征图进行路径扩张，从而精确定位每一个像素点；每个上采样循环单元包括：上采样处理层、上采样第一卷积层、上采样叠加处理层、上采样叠加处理层、上采样激活函数处理层、上采样第二卷积层；其中：

获取的特征图在上采样处理层进行上采样处理，上采样处理为反卷积处理，上采样处理能够使用插值算法对所获取的特征性进行插值；获取的特征图输入到所述上采样循环单元中的上采样第一卷积层，进行卷积处理，上采样第一卷积层对上一层输出的特征图提取特征；上采样叠加处理层获取本层之前的所有输出的特征图，并将所获取的特征图叠加；

预设的对称全卷积神经网络模型中的每一个隐藏层实现对本层输入的特征图进行处理，同时对本层之前所有输出的特征图进行处理，以实现输入为原始眼底图像块，输出为与原始眼底图像块对应的每个像素的眼底血管分割结果。

2.根据权利要求1所述的方法，其特征在于，所述将原始眼底图像块输入到预设的对称全卷积神经网络中进行训练，以得到预设的对称全卷积神经网络模型，包括：

从原始眼底图像块中随机抽取预设比例的眼底图像块作为训练样本；

将所获取的训练样本输入到预设的对称全卷积神经网络中的多个下采样循环单元进行处理，其中，每个下采样循环单元对应于预设的对称全卷积神经网络中的一个隐藏层，每个下采样循环单元对本层输入的特征图进行卷积处理，并对本层之前所有输出的特征图进行卷积处理，将经过卷积处理之后的所有特征图进行池化处理；

将经过多个下采样循环单元处理后的特征图输入到与下采样循环单元对称的上采样循环单元进行处理，其中，每个上采样循环单元对应于预设的对称全卷积神经网络中的一个隐藏层，每个上采样循环单元对本层输入的特征图进行上采样处理，并对上采样处理后的特征图进行卷积处理，对本层之前所有输出的特征图进行卷积处理；

将经过多个上采样循环单元处理后的特征图输入到预设的对称全卷积神经网络中的输出层进行处理，以得到训练样本中每个像素对应的预测值；

根据训练样本中每个像素对应的预测值和训练样本每个像素的真实标签计算误差；

判断误差是否已达到预设训练次数；

若误差未达到预设训练次数，通过梯度下降算法来更新预设的对称全卷积神经网络中的网络参数，将更新了网络参数的对称全卷积网络称为预设的对称全卷积神经网络；

返回执行所述从原始眼底图像块中随机抽取预设比例的眼底图像作为训练样本的步骤；

若误差已达到预设训练次数，将训练得到的对称全卷积神经网络模型作为预设的对称全卷积神经网络模型。