[发明专利]一种基于深度多尺度注意力卷积神经网络的视网膜眼底血管分割方法

说明书

本发明提供了一种基于深度多尺度注意力卷积神经网络的视网膜眼底血管分割方法。本发明采用国际公开的视网膜眼底血管数据集DRIVE进行有效性验证：首先将其划分为训练集和测试集，将图片尺寸调整为512×512像素；然后将训练集经过四个随机预处理环节，以达到数据增强的效果；再设计深度多尺度注意力卷积神经网络的模型结构，将处理好的训练集输入到模型中进行训练；最后将测试集输入到训练好的网络中，进行模型性能的测试。本发明的主要创新点在于设计了双重注意力模块，使整个模型更加关注于细小血管的分割；设计了多尺度特征融合模块，使整个模型对所分割图像的全局特征提取能力更强。模型在DRIVE数据集上的分割准确率为96.87％，灵敏度为79.45％，特异性为98.57，优于经典U‑Net及现有最先进分割方法。

技术领域

本发明提供了一种基于深度多尺度注意力卷积神经网络的视网膜血管分割方法。它为计算机技术在视网膜血管分割领域上的应用提供了一种新的方法，属于计算机技术领域和模式识别领域。

背景技术

在医学领域，视网膜眼底图像分析是医师筛查眼底疾病(如：老年黄斑变性、青光眼、糖尿病视网膜病变)以及部分心血管疾病(如：高血压)的一种重要手段。这些疾病随着病人年龄的增长，症状会愈发明显，眼部疾病发作严重时甚至会导致失明，若不及时治疗，可能会导致死亡。因此，快速并准确的智能化的视网膜眼底图像分析方法是眼科医学领域急需的核心技术之一。然而，临床上常常对视网膜眼底图像中的血管进行人工标注，时间成本高，而且不同医师在同一张眼底图像上的标注结果各异。相比之下，基于人工智能技术的视网膜眼底血管自动分割方法具有耗时短、精度高、鲁棒性强等优点。

目前大多数解决上述问题的方法一般是基于图像处理、优化、深度学习或者是上述方法组合。(李瑞瑞,彭晓婷,肖革新,沈莹,杜一华,赵欣媛,刘坤尧.基于血管连通性的视网膜血管分割技术研究[J].中国数字医学,2020,15(07):125-129.)在深度学习技术广泛应用之前，眼底血管的自动分割常用无监督方法来实现，大都基于一些传统的数字图像处理方法，如：阈值分割法、边缘检测法、区域生长法等。此外，基于模型的方法，如：蛇线模型、参数变形模型、几何变形模型。上述方法虽然理论成熟、易于实现，然而对图像全局特征把握能力不足，无法很好地处理图片噪声以及光照不均匀等问题，导致分割效果并不十分理想。

近些年来，随着人工智能的不断发展，深度学习技术引起相关科研人员注意。其中，卷积神经网络(convolution neural network，CNN)在图像识别、语义分割、视频检测等诸多领域有着广泛的应用。近年来，针对医学图像分割任务，研究人员提出一种全新的卷积神经网络架构。该网络由一个编码器和一个解码器拼接而成，输入图片由编码端输入，分割结果由解码端输出，整个结构呈端到端的U型结构，故称为U-Net。U-Net在各类医学图像分割任务(如：肿瘤分割、器官分割、血管分割等)上展现出的性能与其他算法相比都有着明显的提升。然而，U- Net有一个致命的缺点：由于网络层数过深，网络输入在经过上、下采样时会丢失部分特征，这种情况在深度网络底层尤为严重。将导致分割结果丢失原输入图像的部分细节，并且视觉效果较差。

为了解决深度卷积神经网络在模型底层特征丢失严重的问题，本发明提出了一种基于深度多尺度注意力卷积神经网络的视网膜眼底血管分割方法。经过数据获取、数据增强、模型训练、模型测试这四个环节，完成视网膜眼底血管有效分割任务。在国际公开的视网膜眼底血管数据集DRIVE上进行了有效性验证，模型分割准确率为96.87％，灵敏度为79.45％，特异性为98.57％，优于现有经典U- Net及现有最优方法。

发明内容