[发明专利]基于通道加权和Dilated卷积神经网络的眼底图像出血点分割方法

权利要求书

1.一种基于通道加权和Dilated卷积神经网络的眼底图像出血点分割方法，包括下列步骤：

步骤1：选择出血点数量不同的眼底图像，将图像的原始尺寸归一化为相同的，每张眼底图像再按同一形式进行分块，采用此方法对样本进行扩充；

步骤2：Dilated卷积代替普通的卷积形式，使网络对各个通道进行有选择的特征提取，节省计算量的同时增大局部感受野，获得更多像素的空间关系；

步骤3：引入通道加权单元模块，将Dilated卷积与通道加权模块相结合；

步骤4：利用改进的网络模型对眼底图像中出血点病变进行检测，输出检测结果。

2.根据权利要求1所述的基于通道加权和Dilated卷积神经网络的眼底图像出血点分割方法，其特征在于，步骤1中，将收集到的眼底图像通过边缘补齐和边缘裁剪的方式归一化成相同大小，然后进行分块，将分块后的属于背景区域的毫无眼底特征的图像块删除，剩下的图像块作为样本数据集。

3.根据权利要求1所述的基于通道加权和Dilated卷积神经网络的眼底图像出血点分割方法，其特征在于，步骤2中，用Diilated卷积替换普通的卷积。PixelNet用于特征提取的网络是VGG16，VGG16的前半部分主要包括五大层，每一层分别包含了2-3个卷积层和一个池化层。由于池化层会降低局部感受野，所以经过多次池化的网络深层的感受野往往较低，而Dilated卷积层可以扩大局部感受野，因此选择在网络深层将卷积核替换为Dilated卷积。在第11、12、13卷积层中，将卷积核替换为Dilated卷积，卷积核的大小为3×3，扩张率为2。同时，传统卷积神经网络忽略了输出对于各个通道的依赖性。Dilated卷积通过在采样像素之间补零来达到既增大感受野又使计算量保持不变的效果。

4.根据权利要求1所述的基于通道加权和Dilated卷积神经网络的眼底图像出血点分割方法，其特征在于，步骤3中，将Dilated卷积与通道加权模块相结合。通道加权模块首先对卷积层的输出进行降维，使浅层特征也具有较大的感受野；然后通过学习的方式获得特征通道的权重；最后根据学习到的权重对特征通道进行加权。引入通道加权模块可以使网络对各个通道进行有选择的特征提取。