[发明专利]一种基于注意力机制的糖尿病视网膜病变图像检测方法

说明书

一种基于注意力机制的糖尿病视网膜病变图像检测方法，属于图像检测领域。注意力机制在糖尿病视网膜病变图像检测过程中的应用及研究的不足的问题。一种基于注意力机制的糖尿病视网膜病变图像检测方法，眼底图像预处理的步骤；包括数据筛选、数据扩增和数据增强；视网膜血管分割的步骤；包括构建注意力机制模型和训练所构建的模型；在U‑Net网络中加入空间注意力机制；使用结构化的Dropout卷积块代替U‑Net的原始卷积块；眼底图像病变分级的步骤；采用EfficientNet作为Backbone，将网络宽度和网络深度以及图像像素大小进行复合融合，然后得到优化的网络，进行DR病变状况评估。本发明在视网膜血管分割和DR识别中达到准确分割血管和识别视网膜病变等级的效果。

技术领域

本发明涉及图像识别检测方法，特别涉及一种基于注意力机制的糖尿病视网膜病变图像检测方法。

背景技术

糖尿病视网膜病变(DR)患者的眼底图像应用于早期的诊断和治疗过程中，是完全依靠人工识别微小的视网膜特征如微动脉瘤、出血和渗出物，如果医生长时间进行此重复性操作，即使训练有素，也会出现失误。在很多偏远地区，医疗条件远远跟不上，没有相关设备获取眼底图像，也没有诊断这方面疾病的医生。这就造成了很多患者无法得知自己的病情以及进行相关的治疗。

另外，眼底图像上的硬性渗出物与眼底图像中的血管反光、视神经纤维、视神经盘等正常生理结构有着相似的视觉信息，且单一病变中又有着较大的类内差异性。同时，由于拍摄环境、设备仪器、拍摄者的年龄性别种族等差异，拍摄到的眼底图像常常会具有不同颜色、不同对比度、不同亮度等特点，这些都极大地加深了计算机图像处理的难度。因此研究准确率高的病变检测方法是一项具有挑战的工作。在过去的十年里，机器学习，特别是深度学习已经证明了其可靠的图像分类能力，利用卷积神经网络(CNN)自动提取图片的特征，从而达到自动识别的效果，将此技术应用在糖尿病患者眼底图像检测识别中，不仅可以判断是否有病变，而且随着计算机算力的迅速提高和数据集的不断完善，还可以根据病情的发展进行分级，对提高医生的工作效率和准确率具有重要的现实意义。因此，本发明将注意力机制引入到糖尿病视网膜病变图像检测的技术当中，使CNN更加关注主要特征，抑制不重要的特征，对DR诊断将有一定的辅助。

发明内容

本发明的目的是为了解决关于注意力机制在糖尿病视网膜病变图像检测过程中的应用及研究的不足的问题，而提出一种基于注意力机制的糖尿病视网膜病变图像检测方法。

一种基于注意力机制的糖尿病视网膜病变图像检测方法，所述方法包括如下步骤：

A、眼底图像预处理的步骤；包括数据筛选、数据扩增和数据增强；

B、视网膜血管分割的步骤；包括构建注意力机制模型和训练所构建的模型；

首先，在U-Net网络中加入空间注意力机制，之后，沿着空间维度推断注意力图，并将注意力图与输入特征图相乘以进行自适应特征细化；之后，使用结构化的Dropout卷积块代替U-Net的原始卷积块；

C、眼底图像病变分级的步骤；采用EfficientNet作为Backbone，将网络宽度和网络深度以及图像像素大小进行复合融合，然后得到优化的网络，进行DR病变状况评估；

采用在EfficientNet中加入注意机制，之后，提取通道注意特征图，采用全局平均池化和Sigmoid作为激活函数，之后，通道注意力特征输出作为空间注意模块的特征输入；对于空间注意力，通过学习不同空间的权重去提取特征；对于通道注意力，通过学习通道注意权重，再对不同的DR等级特征进行分类。

优选地，所述的数据扩增和数据增强的操作，具体为：

第一、选用U-Net网络并进行改进，利用U-Net网络结构图形左块提取特征；对于特征提取这个U-Net网络中采用的是多个卷积层叠加、之间使用激活函数和多个池化层相加的方法，对图像特征进行提取，并且在网络模型中加入了非线性变换；本发明使用的激活函数为ReLU，；