[发明专利]一种视网膜血管分割方法和装置

权利要求书

1.一种视网膜血管分割方法，其特征是，包括如下步骤：

a、基于级联残差深度卷积神经网络对视网膜血管分割模型进行训练，训练完成后得到优化后的视网膜血管分割模型；

所述级联残差深度卷积神经网络中包含三个编码-解码结构模块，输入图像依次经过这三个编码-解码结构模块，且每一个编码-解码结构模块输出的特征图与其输入端的特征图对应的像素相加，作为下一级的输入；图像在每一个编码-解码结构模块内所执行的操作依序包括：第一组卷积操作、第一次dropout操作、第一次下采样操作、第二组卷积操作、第二次dropout操作、第二次下采样操作、空洞空间金字塔池化操作、第一次上采样操作、第二高效融合注意力机制操作、第三组卷积操作、第三次dropout操作、第二次上采样操作、第一高效融合注意力机制操作、第四组卷积操作、第四次dropout操作；每一组卷积操作均包括两次卷积操作；

所述第二高效融合注意力机制操作具体是：将经第二次dropout操作后所得特征图与经第一次上采样操作后所得特征图进行特征图融合操作，再经过全局平均池化操作、一维卷积操作后，使用sigmoid、softmax两种激活函数获得不同的权重值，最后将两个权重值相加后的结果与融合操作后的特征图对应通道相乘，最终获得带有不同权重值的特征图；

所述第一高效融合注意力机制操作具体是：将经第一次dropout操作后所得特征图与经第二次上采样操作后所得特征图进行特征图融合操作，再经过全局平均池化操作、一维卷积操作后，使用sigmoid、softmax两种激活函数获得不同的特征权重值，最后将两个特征权重值相加后的结果与融合操作后的特征图对应通道相乘，最终获得带有不同权重值的特征图；

所述空洞空间金字塔池化操作具体是：首先利用四个不同膨胀率的卷积核对经第二次下采样操作后得到的特征图进行并行卷积操作，然后做一次卷积核为1×1的卷积操作，得到四个不同大小的特征图，将所得的四个不同大小的特征图归一化后进行融合；

b、采用优化后的视网膜血管分割模型对视网膜图像中血管进行分割。

2.根据权利要求1所述的视网膜血管分割方法，其特征是，步骤a中，对视网膜血管分割模型进行训练时所采用的损失函数如下：

式中，x_k指输入图像输入到基于深度卷积神经网络所训练的视网膜血管分割模型后所得到的分割结果图中像素k的值，y_k指输入图像所对应的标准分割图中像素k的值；为拉普拉斯平滑因子，N为每一幅图像中像素的数量，α为损失函数比例因子；

X为指标函数，公式如下：

3.根据权利要求1所述的视网膜血管分割方法，其特征是，步骤a中所述输入图像的获取方式如下：

①对彩色视网膜图像进行绿色通道处理完成灰度转化，得到灰度图像；

②对灰度图像进行对比度受限的直方图均衡化、伽马变化处理，得到预处理后图像；

③对预处理后图像进行预设固定大小的切分，形成若干图像子块；

④对每幅图像中的各图像子块随机地进行90°旋转、120°旋转、270°旋转或镜像翻转，获得输入图像。

4.根据权利要求3所述的视网膜血管分割方法，其特征是，每一幅输入图像对应一个标准分割图，两者所对应的彩色视网膜图像是同一个，所述标准分割图是人工对彩色视网膜图像中血管进行分割的结果图；所述标准分割图同其所对应的输入图像一样，进行了预设固定大小的切分，形成了相同数量相同大小的图像子块，且各对应图像子块进行了相应的90°旋转、120°旋转、270°旋转或镜像翻转。

5.根据权利要求1所述的视网膜血管分割方法，其特征是，dropout操作中失活率值为0.2。

6.根据权利要求1所述的视网膜血管分割方法，其特征是，在空洞空间金字塔池化操作中，归一化操作用的是双线性差值转换操作，融合操作过程是将四个特征图对应的元素相加。