[发明专利]一种基于模糊逻辑的医学图像深度分割方法

说明书

本发明提供了一种基于模糊逻辑的医学图像深度分割方法，属于医学图像智能处理技术领域。解决了医学图像数据集数据不足导致医学图像分割准确率低的问题。其技术方案为：包括如下步骤：S1、对眼底医学图像数据集进行扩充，将彩色眼底图像以中心点随机旋转生成新的图片；S2、使用CNN和Transformer模型分别提取眼底图像特征；S3、设计模糊融合模块将两个分支提取的特征进行结合；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；S5、搭建基于模糊逻辑的深度学习网络FTransCNN。本发明有益效果为：使用模糊逻辑将两种深度学习模型特征进行融合，更自然、合理的表示眼底血管区域边缘的不准确信息。

技术领域

本发明涉及医学图像智能处理技术领域，尤其涉及基于模糊逻辑的医学图像深度分割方法。

背景技术

眼底图像中保存着和眼科致盲疾病有重要联系的血管信息，眼底血管的健康状况对于医生及早诊断糖尿病心脑血管疾病及多种眼科疾病具有重要意义。但是由于眼底血管自身结构复杂，同时易受采集环境中光照因素的影响，使得临床上手动分割眼底血管不仅工作量巨大而且对医疗人员的经验和技能要求颇高。另外，不同的医疗人员对同一幅眼底图像的分割结果可能存在差异，手动分割已不能满足临床的需要。

随着计算机技术的不断发展，利用人工智能技术对眼底血管图像进行自动分割，以对眼科疾病进行辅助诊断和决策，成为了国内外学者关注的研究热点。深度学习凭借其在识别应用中超高的预测准确率，在图像处理领域获得了极大关注，深度学习中的卷积神经网络和Transformer模型在图像处理方面有着独特的优越性。经典的卷积神经网络U-Net，能够融合图像的低层和高层信息，在很少的图像上进行端到端的训练，用于解决具有挑战性的视网膜血管分割问题。但是，由于卷积中归纳偏置的局部性和权重共享，使用卷积操作不可避免地在建模远程依赖方面存在局限性。而Transformer擅长对全局上下文进行建模，但它在捕获细粒度细节方面还有很多缺陷，尤其针对医学图像的分割。

因此，为了能够有效利用不同深度学习模型所具有的优势，将CNN与Transformer相结合的方法被提出并逐渐得到应用。

发明内容

本发明提出了一种基于模糊逻辑的医学图像深度分割方法，考虑了医学图像的特征，使用模糊逻辑将两种深度学习模型特征进行融合，更自然、合理的表示眼底血管区域边缘的不准确信息，使得模型结果的精确性和可解释性得到加强，在数据规模有限的情况下也能收获较好的效果。

本发明的发明思想为：一种基于模糊逻辑的医学图像深度分割方法，可以准确分割出眼底图像中的血管轮廓，更精确地识别出血管末梢，通过模糊逻辑对两种深度学习模型融合使用，能够提高分割的准确度，有效提高了分割结果的可靠性，能够有效的帮助医生诊断眼底血管糖尿病变，让患者获得最佳的治疗时期。

本发明是通过如下措施实现的：一种基于模糊逻辑的医学图像深度分割方法，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；