[发明专利]多种视网膜积液联合分割的上下文关注与融合网络系统

权利要求书

1.一种多种视网膜积液联合分割的上下文关注与融合网络系统，其特征在于，包括特征编码模块、上下文收缩编码CSE模块、上下文金字塔引导CPG模块和特征解码模块，所述上下文收缩编码CSE模块嵌入于所述特征编码模块中，所述上下文金字塔引导CPG模块设置于所述特征编码模块、所述特征解码模块之间，所述上下文收缩编码CSE模块与所述特征解码模块跳跃连接；视网膜OCT图像通过所述特征编码模块和所述上下文收缩编码CSE模块对各层次特征进行选择性聚合，再通过所述上下文金字塔引导CPG模块获得多尺度上下文信息输入到所述特征解码模块中，所述特征解码模块输出对视网膜积液的分割结果；

所述上下文金字塔引导CPG模块包括CPG输入层、扩张率不同的三个并行的扩张卷积层、CPG全局平均池化层、CPG第一1×1卷积层、双线性上采样层、CPG第一3×3卷积层、Softmax函数、CPG第二3×3卷积层、CPG第二1×1卷积层、CPG输出层；所述CPG输入层输入的特征图经并行的三个所述扩张卷积层扩张卷积后获得三组具有不同尺度信息的特征图，所述CPG输入层输入的特征图经所述CPG全局平均池化层、所述CPG第一1×1卷积层处理后提取全局上下文信息，并且将特征图的数量减少一半；将含有全局上下文信息的特征图经所述双线性上采样层、CPG第一3×3卷积层处理后恢复到原始的输入尺寸；通过所述Softmax函数得到三个在空间位置上具有不同值的权重图，分别与三组具有不同尺度信息的特征图相乘，相当于根据全局上下文信息对该三组具有不同尺度信息的特征图分配不同的关注度，得到分配了不同关注度的三组特征图，将分配了不同关注度的三组特征图相加，再经所述CPG第二3×3卷积层处理后以融合多尺度信息，融合后的特征图通过可学习参数的残差连接后经所述CPG第二1×1卷积层、CPG输出层输出。

2.根据权利要求1所述的多种视网膜积液联合分割的上下文关注与融合网络系统，其特征在于，所述特征编码模块包括第一层编码器、与所述第一层编码器下采样操作连接的第二层编码器、与所述第二层编码器下采样操作连接的第三层编码器、与所述第三层编码器下采样操作连接的第四层编码器、与所述第四层编码器下采样操作连接的第五层编码器，所述上下文收缩编码CSE模块设置于所述第一层编码器的、所述第二层编码器的、所述第三层编码器的、所述第四层编码器的、所述第五层编码器的连续两个3×3卷积之后。

3.根据权利要求1所述的多种视网膜积液联合分割的上下文关注与融合网络系统，其特征在于，所述上下文收缩编码CSE模块包括CSE输入层、CSE3×3卷积层、CSE全局平均池化层、CSE第一1×1卷积层、CSE第二1×1卷积层、Sigmoid激活函数、软阈值函数、CSE输出层；所述CSE输入层输入的特征图经所述CSE3×3卷积层进行变换，提取相关语义信息；变换后的特征图的绝对值经所述全局平均池化层进行全局平均池化操作，以提取丰富的全局上下文信息；全局上下文信息经所述CSE第一1×1卷积层、所述CSE第二1×1卷积层、所述Sigmoid激活函数后获得一个0～1之间的尺度因子，该尺度因子与经过全局平均池化操作后的特征图相乘得到一个长度为特征通道数的阈值向量τ,并通过所述软阈值函数根据阈值向量τ区分特征后经所述CSE输出层输出。

4.根据权利要求3所述的多种视网膜积液联合分割的上下文关注与融合网络系统，其特征在于，所述软阈值函数的公式为：

其中，x表示输入特征，y表示输出特征，τ表示一个大于零的阈值。

5.根据权利要求1所述的多种视网膜积液联合分割的上下文关注与融合网络系统，其特征在于，三个并行所述扩张卷积层的扩张率分别为2、4、8。