[发明专利]视网膜图像的血管分割方法、装置、设备及存储介质

权利要求书

1.一种视网膜图像的血管分割方法，其特征在于，包括步骤：

获取待处理的视网膜图像；

对所述待处理的视网膜图像进行预处理，得到初始的血管增强图像；

基于预先训练的血管分割模型，应用多通道交叉注意力机制对所述待处理的视网膜图像和所述初始的血管增强图像进行处理，得到血管分割模型的输出；其中，所述多通道交叉注意力机制包括通道加权处理过程和空间加权处理过程；

根据所述血管分割模型的输出，得到血管分割结果；

所述对所述待处理的视网膜图像进行预处理，得到初始的血管增强图像，包括步骤：

首先对所述待处理的视网膜图像中的每个通道进行对比度受限直方图均衡化处理，得到第一预处理图像，接着对所述第一预处理图像进行灰度化，选取一种多尺度的线性结构单元进行形态学顶帽操作，然后进行归一化，得到所述初始的血管增强图像；

所述基于预先训练的血管分割模型，应用多通道交叉注意力机制对所述待处理的视网膜图像和所述初始的血管增强图像进行处理，得到血管分割模型的输出，包括步骤：

应用多通道交叉注意力机制分别对所述待处理的视网膜图像和所述初始的血管增强图像进行处理，并对结果进行降采样，得到第一级视网膜图像和第一级血管增强图像；

应用多通道交叉注意力机制分别对所述第一级视网膜图像和所述第一级血管增强图像进行处理，并进行降采样，得到第二级视网膜图像和第二级血管增强图像；

应用多通道交叉注意力机制分别对所述第二级视网膜图像和所述第二级血管增强图像进行处理，并对结果进行拼接处理，得到第二级输出；

将所述第二级输出、所述第二级视网膜图像和所述第二级血管增强图像进行拼接处理，并进行上采样，得到第一级输出；

将所述第一级输出、所述第一级视网膜图像和所述第一级血管增强图像进行拼接处理，并进行上采样，得到所述血管分割模型的输出；

所述多通道交叉注意力机制包括通道加权处理过程和空间加权处理过程，具体包括：

根据SE网络结构对输入图像的卷积层特征进行处理，得到通道权重；根据所述通道权重和所述输入图像的卷积层特征得到通道加权特征；其中，所述输入图像为视网膜图像或血管增强图像；

对空间输入图像的特征图进行卷积和激活操作，接着使用相同大小的卷积核，卷积核数为1，对上一层的输出进行卷积操作，得到空间权重；根据所述空间权重和所述输入图像的卷积层特征得到空间加权特征；其中，所述空间输入图像为所述输入图像对应的血管增强图像，或所述输入图像对应的视网膜图像；

将所述输入图像的卷积层特征、所述通道加权特征和所述空间加权特征相加，得到所述输入图像对应的处理结果；

所述血管分割模型的损失函数L_bce满足如下关系：

其中，y为样本标签，1表示正类，0表示负类；为样本预测为正类的概率。

2.如权利要求1所述的视网膜图像的血管分割方法，其特征在于，所述SE网络结构的第一层为全局平均池化层，用于将所述输入图像的卷积层特征按通道进行全局平均；第二、三、四层为卷积层，卷积核数分别为C、C//R、C，卷积核大小为(1，1)，其中R为预设的缩放参数，C为所述输入图像的卷积层特征的通道数。

3.如权利要求1所述的视网膜图像的血管分割方法，其特征在于，所述获取待处理的视网膜图像，还包括：

对每张视网膜图像每隔3度进行旋转，然后进行左右翻转；利用所述损失函数通过后向传播算法计算模型中各参数的梯度，采用梯度下降算法对参数进行更新。

4.一种视网膜图像的血管分割装置，用于实现权利要求1所述的视网膜图像的血管分割方法，其特征在于，包括：

图像获取模块，用于获取待处理的视网膜图像；

预处理模块，用于对所述待处理的视网膜图像进行预处理，得到初始的血管增强图像；

模型处理模块，用于基于预先训练的血管分割模型，应用多通道交叉注意力机制对所述待处理的视网膜图像和所述初始的血管增强图像进行处理，得到血管分割模型的输出；其中，所述多通道交叉注意力机制包括通道加权处理过程和空间加权处理过程；

结果获取模块，根据所述血管分割模型的输出，得到血管分割结果。