[发明专利]基于注意力机制的眼底图像动脉和静脉血管分割方法

权利要求书

1.一种基于注意力机制的眼底图像动脉和静脉血管分割方法，其特征在于，包括以下步骤：

步骤S1：对获取的眼底图像进行预处理并划分成训练集和测试集，同时对训练集进行数据扩增操作；

步骤S2：搭建基于注意力机制的卷积神经网络模型；

步骤S3：利用步骤S1得到的预处理后的训练集眼底图像对步骤S2构建的基于注意力机制的卷积神经网络进行训练，得到训练好的基于注意力机制的眼底图像动静脉血管分割网络；

步骤S4：将待分割的眼底图像输入步骤S3得到的训练好的基于注意力机制的眼底图像动静脉血管分割网络进行分割，得到精确的分割结果。

2.根据权利要求1所述的一种基于注意力机制的眼底图像动脉和静脉血管分割方法，其特征在于：在步骤S1中对眼底图像进行预处理，以优化血管分割结果，具体包括：

步骤S11：对眼底图像进行预处理操作以提搞血管与背景之间的对比度，具体包括：为首先对眼底图像应用核为65×65像素、零均值和标准差为10的高斯滤波器，然后从原始图像中减去高斯滤波的输出，最后对得到处理图像进行归一化；进行预处理的具体过程表示为：

N(w,h)＝I(w,h)-G(w,h) (1)

其中，N是归一化图像，I是原始图像，G是进行高斯滤波之后的图像，w与h分别表示图像的宽度与高度；

步骤S12：对预处理得到的训练集图片使用旋转、裁剪、颜色扰动操作，从而扩增训练数据。

3.根据权利要求1所述的一种基于注意力机制的眼底图像的动脉和静脉血管分割方法，其特征在于，步骤S2中搭建的基于注意力机制的卷积神经网络模型，以U-Net为主干网络，包括编码器、解码器、注意力模块与结构化的DropBlock模块；具体包括：

步骤S21：搭建编码器；编码器部分包含4个编码层，第一个编码层由两个卷积层和一次下采样操作组成，下采样操作使用最大池化；每个卷积层后面跟着一个DropBlock、BatchNormalization层(BN层)和Relu层，且第二个卷积层中Relu层的输出再经过下采样操作得到第一个编码层的输出结果；第二个编码层、第三个编码层与第四个编码层的结构均与第一个编码层结构相同；本发明将卷积层后面跟着一个DropBlock、BatchNormalization层(BN层)和Relu层的结构称为结构化的DropBlock模块，每层编码层对图像编码的具体过程为：

O_i＝Pooling(Relu(DropBlock(Conv(I)))) (2)

其中，I表示输入的特征图，Conv表示卷积操作，DropBlock表示正则化操作，Pooling表示池化操作，Relu表示激活函数，O_i表示每一编码层的输出特征图，i＝1，2，3，4；经过池化操作后，每层编码层输出的特征图尺寸是原始输入图片尺寸的1/2、1/4、1/8和1/16；

将第一编码层的输出结果输入第二编码层，第二编码层的输出结果输入第三编码层，第三编码层的输出结果输入第四编码层；

步骤S22：搭建解码器部分；解码器部分包含与编码器相对称的4个解码层；第一个解码层由两个结构化的DropBlock模块和1次上采样组成，上采样操作使用反卷积；在第一个结构化的DropBlock模块与第二个结构化的DropBlock模块之间加入注意力机制模块，注意力机制模块由通道注意力模块和空间注意力模块构成；

第一个结构化的DropBlock模块的输出结果首先经过通道注意力模块的处理，具体步骤为：将第一个结构化的DropBlock模块的输出结果F∈R^H×W×C(H表示高度，W表示宽度，C表示通道数)使用最大池化和平均池化，压缩F的空间维度，得到两个不同的空间背景描述F^cmax和F^cavg；然后使用共享的多层感知机(MLP)对F^cmax和F^cavg两个不同的空间背景描述进行计算，得到通道特征图M^c(F)；通道注意力模块的具体计算过程如下：

其中σ表示sigmoid激活函数，W₁,W₀表示多层感知机的权重；

然后将通道注意力模块的输出M^c(F)与F相乘(记为F′＝M^c(F)×F)作为空间注意力模块的输入特征图对F′进行操作，具体步骤为：首先沿通道轴对F′分别应用最大池化和平均池化得到两个不同特征描述F^smax和F^savg，然后将F^smax和F^savg连接起来从而形成有效的特征描述符，最后经过卷积操作生成空间注意力图M^s(F)；空间注意力模块的具体计算过程如下：

其中f^7×7表示卷积核为7×7的卷积运算；

最后将M^s(F)与F′相乘(记为F″＝M^s(F)×F′)，将F″输入到第二个结构化的DropBlock模块，F″经过第二个结构化的DropBlock模块的输出再经过上采样操作得到第一个解码层的输出结果；第二个解码层、第三个解层与第四个解码层的结构均与第一个解码层结构相同；

第四个编码层的输出结果经过两个结构化的DropBlock模块后再经过上采样输入到第一个解码层；第一个解码层的输出结果输入到第二个解码层，第二个解码层的输出结果输入到第三个解码层，第三个解码层的输出结果输入到第四个解码层，第四个解码层输出结果经过一个1×1将高维特征向量降低为3类；

步骤S23：搭建编码器与解码器之间的跳跃连接：

解码层每一层进行解码之前，先建立与编码层的跳跃连接，再进行解码操作；跳跃连接使低维信息有效的补偿了高维特征，充分结合底层空间特征和高层语义特征，从而大幅度提升最终的分割效果，具体操作如下：

将第一个编码层的第二个结构化的DropBlock模块中Relu层的输出结果跳层与第四个解码层的第一个结构化的DropBlock模块的输入进行拼接；第二个编码层的第二个结构化的DropBlock模块中Relu层的输出结果跳层与第三个解码层的第一个结构化的DropBlock模块的输入进行拼接；第三个编码层的第二个结构化的DropBlock模块中Relu层的输出结果跳层与第二个解码层的第一个结构化的DropBlock模块的输入进行拼接；第四个编码层的第二个结构化的DropBlock模块中Relu层的输出结果跳层与第一个解码层的第一个结构化的DropBlock模块的输入进行拼接。