[发明专利]一种基于空间和通道双重注意力机制的眼底血管分割方法

说明书

本发明涉及一种基于空间和通道双重注意力机制的眼底血管分割方法，包括如下步骤：步骤1、对原始眼底图像进行数据预处理；步骤2、对预处理后的眼底图像进行数据扩增；步骤3、构建融合空间和通道双重注意力机制的分割网络DAU‑net，将扩增后的图像送入到DAU‑net中进行网络训练，利用网络分割结果与对应的人工标注血管分割图之间的损失指导网络训练，获得训练后的眼底血管分割模型；步骤4、将待分割的测试眼底图输入眼底血管分割模型进行分割处理，获得眼底血管分割结果。

技术领域

本发明涉及深度学习和医学图像处理领域，尤其是一种基于空间和通道双重注意力机制的眼底血管分割方法。

背景技术

眼底血管分割方法可整体上归纳为非监督方法和监督方法。其中，非监督方法不依赖人工标注的血管真值图作为指导信号，主要利用图像处理方法进行血管分割。此类方法主要利用人工设计特征，需要依赖特征设计者的丰富的先验知识，以达到较好的眼底血管分割效果。监督方法中，基于卷积神经网络的血管分割方法取得优秀的分割效果。文献首先对眼底图像进行预处理，然后将预处理后的眼底图像送入卷积神经网络，进而获得眼底血管分割结果。U-net神经网络框架是专门为医学图像处理提出的深度学习框架，并得到广泛应用。Daniele等人第一次将U-net网络应用到眼底血管分割任务中，并有效提高了眼底血管的分割效果，该方法在临床中得到广泛应用。近几年，研究人员基于U-net网络，提出多种眼底血管分割的优化方案，进一步提升眼底血管分割的精确率。但随着优化方案的网络模型的增大，眼底血管分割的效率下降。现有方案无法发同时具有较高的眼底血管分割精确率和较高的分割效率。

发明内容

针对现有技术无法发同时具有较高的眼底血管分割精确率和较高的分割效率的问题，本发明提出一种基于空间和通道双重注意力机制的眼底血管分割方案。在经典Unet网络的基础上，引入空间和通道双重注意力机制增强网络的分割能力，提升眼底血管分割的精确率，同时通过减少网络的通道数以提升网络的分割效率。

本发明的技术方案：一种基于空间和通道双重注意力机制的眼底血管分割方法，包括如下步骤：

步骤1、对原始眼底图像进行数据预处理；

步骤2、对预处理后的眼底图像进行数据扩增；

步骤3、构建融合空间和通道双重注意力机制的分割网络DAU-net，将扩增后的图像送入到DAU-net中进行网络训练，利用网络分割结果与对应的人工标注血管分割图之间的损失指导网络训练，获得训练后的眼底血管分割模型；

步骤4、将待分割的测试眼底图输入眼底血管分割模型进行分割处理，获得眼底血管分割结果。

进一步的，所述步骤1包括：

首先对原始输入图像进行直方图均衡，以减少光照变化对眼底图的影响；其次进行高斯滤波，增强眼底视盘和渗出物与图像其他区域之间的对比。

进一步的，所述步骤2包括：

利用高斯滤波后的图像进行数据扩增，对图像随机进行旋转或尺寸变化，达到数据扩增的目的。

进一步的，所述步骤3包括：

步骤A.构建空间和通道双重注意力机制的眼底血管分割网络

在眼底血管分割网络U-net基础上，首先将所有卷积层(conv)的输出通道减半，以降低网络模型的复杂度，提高血管分割的效率；其次，在网络中添加空间注意力模块和通道注意力模块以提升网络分割的精确率。编码部分，在每次下采样(max pooling)操作之前添加空间注意力模块和通道注意力模块；解码部分，在每次上采样(upsampling)之前添加空间注意力模块和通道注意力模块；注意力模块能够使网络关注到眼底图像血管区域，提升网络的分割精确率。将U-net网络通道减半和添加两种注意力模块，得到所述的眼底血管分割网络DAU-net。

步骤B.网络模型训练