[发明专利]基于多尺度一致性与注意力机制的视网膜血管分割方法

权利要求书

1.一种基于多尺度一致性与注意力机制的视网膜血管分割方法，其特征在于：包括如下步骤：

S1.构建基于多尺度一致性与注意力机制的视网膜血管分割网络模型；

S2.对视网膜血管分割网络模型进行网络模型训练，得到训练好的网络模型；

S3.采集待测视网膜血管图像，并将待测视网膜血管图像输入到训练好的网络模型，输出待测视网膜血管的分割结果。

2.根据权利要求1所述的基于多尺度一致性与注意力机制的视网膜血管分割方法，其特征在于：构建基于多尺度一致性与注意力机制的视网膜血管分割网络模型，具体包括：

S11.构建以U-Net网络模型为架构的初始视网膜血管分割网络模型；

S12.构建注意力细化模块，并将注意力细化模块嵌入到初始视网膜血管分割网络模型的瓶颈特征层；

S13.构建上下文特征融合模块，并将上下文特征融合模块融入到初始视网膜血管分割网络模型；所述上下文特征融合模块用于将编码器提取的特征与解码器还原的特征相融合。

3.根据权利要求2所述的基于多尺度一致性与注意力机制的视网膜血管分割方法，其特征在于：根据如下方法构建注意力细化模块：

S121.对瓶颈特征中的特征F进行通道平均池化操作P_c，得到通道平均权重特征X；

S122.将通道平均权重特征X送入两个分支，一个分支为水平池化操作P_h，另一个分支为垂直池化操作P_w；所述P_h用于捕获F的每一行中像素之间的关系，得到X_h；所述P_w用于获取每一列中像素之间的关系，得到X_w；

S123.通过矩阵乘法将水平特征X_h与垂直特征X_w相融合，生成粗注意力图A_r；

S124.对粗注意力图A_r进行归一化操作，使得所有像素位置的权重缩放到(0，1)之间，得到细化后的注意力图A；

S125.将权重重新分配到特征F中的各个位置，得到最终特征F_A。

4.根据权利要求3所述的基于多尺度一致性与注意力机制的视网膜血管分割方法，其特征在于：根据如下公式确定最终特征F_A：

其中，σ为sigmoid操作；·为矩阵乘法，为哈达玛积，为矩阵元素相加。

5.根据权利要求2所述的基于多尺度一致性与注意力机制的视网膜血管分割方法，其特征在于：根据如下方法构建上下文特征融合模块：

将来自编码器的特征F_e∈R^H×W×C和经过上采样的上一层解码器的特征F_d∈R^H×W×C分别作为上下文特征融合模块的两个输入；其中，H、W和C分别代表特征的长、宽和通道数；

对特征F_e以及特征F_d进行融合，得到聚合特征F_f∈R^H×W×2C。

6.根据权利要求5所述的基于多尺度一致性与注意力机制的视网膜血管分割方法，其特征在于：根据如下公式确定聚合特征F_f：

其中，f_mid表示初步融合的中间特征，ReLU表示神经元的激活函数，为矩阵元素相加，σ为sigmoid操作，为哈达玛积，Θ代表按通道拼接的操作，W_e和W_d均表示1×1的卷积核，W_fe和W_fd则均表示连续1×1和3×3卷积核的组合。