[发明专利]基于U-Net的血管图像分割方法、装置和设备

权利要求书

1.基于U-Net的血管图像分割方法，其特征在于，包括：

获取血管分割数据集；

对所述血管分割数据集进行预处理；

对预处理后的血管分割图像进行图像块裁剪操作，得到样本数据；

根据所述样本数据，通过Pytorch深度学习框架搭建血管图像分割网络；

根据所述血管图像分割网络进行血管图像分割，并对所述血管图像分割的结果进行评价；

其中，所述血管图像分割网络中的卷积块由多尺度特征聚集块替换；所述多尺度特征聚集块的第一输入为多尺度高层特征，所述多尺度特征聚集块的第二输入为多尺度低层特征；所述血管图像分割网络通过MS-CAM特征融合模块将所述多尺度特征聚集块中的多尺度高层特征和多尺度低层特征进行融合；

所述根据所述样本数据，通过Pytorch深度学习框架搭建血管图像分割网络这一步骤中，

所述血管图像分割网络的网络架构为U型架构，所述U型架构包括一个编码器和一个解码器；所述编码器包括四层结构；

所述多尺度特征聚集块用于：通过1×1卷积将输入数据平分为左分支和右分支；

所述右分支的输入数据经过下采样处理后通过预设的第一卷积模组进行特征提取，得到多尺度高层特征；

所述左分支的输入数据经过上采样处理后通过预设的第二卷积模组进行特征提取，得到多尺度低层特征；

通过MS-CAM特征融合模块将所述多尺度高层特征和所述多尺度低层特征进行处理，得到一个用于注意力操作的注意力权重；

根据所述注意力权重进行注意力操作得到编码器的输出；

所述第一卷积模组包括第一卷积和第二卷积，所述右分支的输入数据经过下采样处理后通过第一卷积模组进行特征提取，得到多尺度高层特征，包括：

所述右分支的输入数据经过下采样处理后通过所述第一卷积进行卷积操作，得到第一特征，通过所述第二卷积对所述第一特征进行卷积操作，得到第二特征，对所述第一特征和所述第二特征进行特征融合，得到第一多尺度特征，对所述第一多尺度特征进行上采样处理，得到所述多尺度高层特征；

所述第二卷积模组包括第三卷积和第四卷积，所述左分支的输入数据经过上采样处理后通过第二卷积模组进行特征提取，得到多尺度低层特征，包括：

左分支的输入数据经过上采样处理后通过所述第三卷积进行卷积操作，得到第三特征，通过所述第四卷积对所述第三特征进行卷积操作，得到第四特征，对所述第三特征和所述第四特征进行特征融合，得到第二多尺度特征，对所述第二多尺度特征进行下采样处理，得到所述多尺度低层特征；

所述MS-CAM特征融合模块在注意力操作的过程中将局部通道信息融入全局通道信息，通过使用点卷积作为局部通道信息整合器；

其中，所述局部通道信息的计算公式为：

L(X)＝B(PWConv₂(δ(B(PWConv₁(X)))))

其中，L(X)代表局部通道信息；B代表批量归一化；PWConv₁表示通过1×1卷积将输入的特征X通道数减少为原先的r为通道缩放比；δ表示ReLU激活函数；PWConv₂表示通过1×1卷积将通道数目恢复成与原输入通道数目相同；

所述解码器包括四层结构；

所述解码器通过自适应特征融合模块来实现相邻层之间的融合。

2.根据权利要求1所述的基于U-Net的血管图像分割方法，其特征在于，所述对所述血管分割数据集进行预处理，包括：

提取所述血管分割数据集中RGB图像的绿色通道；

对所述绿色通道进行白化处理；

对白化处理后的绿色通道进行自适应直方图均衡化处理；

对自适应直方图均衡化处理后的绿色通道进行伽马变换处理。

3.根据权利要求1所述的基于U-Net的血管图像分割方法，其特征在于，所述对预处理后的血管分割图像进行图像块裁剪操作，得到样本数据，包括：

对所述血管分割图像进行图像块裁剪操作，得到随机坐标；

将所述随机坐标作为中心点，裁剪得到48×48的图像块，并将所述图像块作为样本数据。