[发明专利]一种基于深度学习的彩色眼底图像视杯分割方法

权利要求书

1.基于深度学习的彩色眼底图像视杯分割方法，所述方法包括下列步骤：

(1)输入眼底图像，提取感兴趣区域视盘区作为视杯分割的区域；

(2)对视盘区进行视杯分割；

(3)优化残差结构；

(4)采用通道加权结构调整各特征通道的响应值；

(5)将高层特征与底层特征融合；

(6)输出利用Seg-ResNet网络的视杯分割结果。

2.根据权利要求1所述的方法，其特征在于，步骤(3)中，使用ResNet为基础网络，优化残差块计算，使用1×1+3×3+1×1的三层卷积替换3×3的两层卷积，首先在一个1×1卷积滤波下降低维度减少了计算，优化结构中的中间3×3的卷积层，最后通过另一个1×1的卷积滤波还原维度。

3.根据权利要求1所述的方法，其特征在于，步骤(4)中，采用通道加权结构调整各特征通道的响应值，压缩阶段使用全局平均池化把各层输出的二维特征图压缩至一维，通过压缩得到的一维特征反映输入特征通道的全局感受野信息；激励阶段为压缩后的特征通道生成可学习的权重，通过激励显式地对各特征通道之间的相关性进行非线性建模；经过步骤压缩和激励，得到的输出权重表示了每个特征通道的重要程度，在加权阶段经网络卷积后，有一组特征被直接输出，然后将激励得到的权重通过乘法逐通道的加权到被直接输出的特征上，完成对原始特征通道的重新加权。

4.根据权利要求1所述的方法，其特征在于，步骤(5)中，将高层特征与底层特征融合，使用1×1的卷积把编码阶段高维度的特征图进行降维，将维度降低到与解码阶段的特征图相同的维度以便融合操作，融合之后紧接着再使用一个1×1的卷积核降低特征图的维度，之后底层相同尺寸的特征图采用上述相同的方式进行特征融合。