[发明专利]一种基于模糊逻辑的医学图像深度分割方法

权利要求书

1.一种基于模糊逻辑的医学图像深度分割方法，其特征在于，包括以下步骤：

S1：对眼底医学图像数据集进行扩充，数据集中包含N对彩色原图和眼底血管分割图，将每张图片以中心点顺时针旋转，每10°保存新的图片，扩充到36*N对原图和对应分割掩码；

S2：使用CNN和Transformer模型分别提取眼底图像特征，CNN模型逐渐增加感受野并将特征从局部编码到全局，Transformer模型从全局自注意力开始，最后恢复局部细节，利用不同深度学习模型，将两个模型在三个不同尺度的特征图保存下来，进行后续融合；

S3：设计模糊融合模块将两个分支提取的相同尺度特征进行结合，模糊融合模块中结合注意力机制和模糊测度与模糊积分，对CNN特征和Transformer特征分别使用空间注意力和通道注意力来增强特征表示，对最低尺度特征计算模糊测度并使用Choquet模糊积分消除特征中的异质性和不确定性；

S4：构造模糊注意力融合模块逐步上采样与融合不同尺度特征图，处理分割边界的不确定性，将融合的特征图恢复到输入大小，生成最终分割图像；

S5：搭建基于模糊逻辑的深度学习网络FTransCNN，用扩充后的图像数据对模型进行训练，准确分割出眼底血管以及末梢图像。

2.根据权利要求1所述的基于模糊逻辑的医学图像深度分割方法，其特征在于，所述步骤S2的具体步骤如下：

步骤S2.1：针对CNN模型，将大小为x∈R^H×W×C的图像输入到由ResNet50组成的CNN特征提取网络中，其中H、W、C分别表示输入图像的高度、宽度和通道数，实现图像数据从高分辨率图像到低分辨率图像的转化，构建有五个模块的ResNet模型，每个模块将特征图下采样两倍，将第4个块输出第3个块输出和第2个块输出的特征图保存下来，与Transformer模型相应大小的特征图进行后续融合；

步骤S2.2：针对Transformer模型，首先将图像划分为块，其中，S设置为16，其次将这些Patch块展平并拼接，用全连接层对拼接的向量降维，接着对输入图像特征加入位置编码得到输入特征x，然后将预处理特征x输入到Transformer的编码器进行特征提取，最后将提取的特征进行上采样，得到与CNN模型提取特征尺度相同的特征，Transformer特征提取过程如下：

head_i＝Attention(X_iW_i^Q,X_iW_i^K,X_iW_i^V)               (2)

MSA(Q,K,V)＝Concat(head₁,…,head_i)W⁰               (3)

MLP(X)＝max(0,XW₁+b₁)W₂+b₂                (4)

其中，Q,K,V为将输入X经过线性变换后得到的矩阵，Q表示要查询的信息，K表示被查询的向量，V表示查询得到的值，d_k表示查询矩阵或者键值矩阵的维度，softmax是激活函数，W_i^Q、W_i^K、W_i^V分别表示第i个自注意力的线性变换矩阵，经过学习得到，Concat表示拼接操作，W⁰表示线性变换矩阵，max为求最大值操作，W₁、W₂为权重，b₁、b₂是常数。