[发明专利]一种基于动态加权注意力机制的眼底图像检测方法及系统

权利要求书

1.一种基于动态加权注意力机制的眼底图像检测方法，其特征在于，所述方法包括：

获取待使用的眼底图像；

利用眼底图像分割模型检测所述眼底图像的病变信息；所述眼底图像分割模型包括n层连续的下采样层和n层连续的上采样层，第n层下采样层与第一层上采样层连接：

采用所述眼底图像分割模型对所述眼底图像进行连续n层下采样，得到n层下采样输出特征；

将第i层下采样输出特征和相邻层下采样输出特征利用动态加权注意力机制融合，得到第i层加权特征，i∈[1,n]；其中，第1层加权特征为第1层下采样输出特征；

将第i层加权特征与第n-i层的上采样层的输出特征进行融合，并对融合特征进行反卷积后输入第n-i+1层上采样层；其中，第1层上采样层的输入为第n层加权特征与第n层下采样输出特征融合反卷积操作后的特征；

对第n层上采样层的输出进行分类卷积操作，得到每个像素的病变概率；

所述将第i层下采样输出特征和相邻层下采样输出特征利用动态加权注意力机制融合，得到第i层加权特征，i∈[1,n]，具体包括：

获取第i层下采样输出特征、第i-1层下采样输出特征和第i+1层下采样输出特征；

对所述第i层下采样输出特征、所述第i-1层下采样输出特征和所述第i+1层下采样输出特征进行层级特征融合：

分别计算所述第i层下采样输出特征、所述第i-1层下采样输出特征和所述第i+1层下采样输出特征在通道方向的均值与标准方差；

根据所述均值和所述标准方差通过一维高斯分布分别计算所述第i层下采样输出特征、所述第i-1层下采样输出特征和所述第i+1层下采样输出特征的动态权重；

根据所述动态权重计算所述第i层下采样输出特征、所述第i-1层下采样输出特征和所述第i+1层下采样输出特征中每一个像素点在通道方向的权重；

根据所述每一个像素点在通道方向的权重计算所述第i层下采样输出特征、所述第i-1层下采样输出特征和所述第i+1层下采样输出特征的注意力权重；

根据所述注意力权重对所述第i层下采样输出特征、第i-1层下采样输出特征和第i+1层下采样输出特征进行加权注意力特征融合，得到第i层加权特征。

2.根据权利要求1所述的基于动态加权注意力机制的眼底图像检测方法，其特征在于，所述对第n层上采样层的输出进行分类卷积操作，得到每个像素的病变概率，具体包括：

对第n层上采样层的输出进行1x1xc卷积操作，得到每个像素的病变概率；其中，c表示分类的类别数目。

3.根据权利要求1所述的基于动态加权注意力机制的眼底图像检测方法，其特征在于，在所述对第n层上采样层的输出进行分类卷积操作之后，还包括：

利用softmax归一化函数对卷积结果进行归一化。

4.根据权利要求1所述的基于动态加权注意力机制的眼底图像检测方法，其特征在于，在所述获取第i层下采样输出特征、第i-1层下采样输出特征和第i+1层下采样输出特征之后，还包括：

对所述第i层下采样输出特征进行1×1×c的卷积操作；其中，c表示输出的通道数；

对所述第i-1层下采样输出特征进行下采样和1×1×c的卷积操作；

对所述第i+1层下采样输出特征进行上采样和1×1×c的卷积操作。

5.根据权利要求1所述的基于动态加权注意力机制的眼底图像检测方法，其特征在于，所述眼底图像分割模型的训练过程，具体包括：

获取金标数据；所述金标数据为通过专业眼科医师标注过目标区域的眼底图像；

利用所述金标数据训练基于动态加权注意力机制的网络模型，得到眼底图像分割模型。

6.根据权利要求1所述的基于动态加权注意力机制的眼底图像检测方法，其特征在于，在所述获取待使用的眼底图像之后，还包括：

对所述眼底图像进行无效区域裁剪和影像增强。