[发明专利]基于注意力机制的眼底图像动脉和静脉血管分割方法

说明书

一种基于注意力机制的眼底图像动脉和静脉血管分割方法，包括：对获取的眼底图像进行预处理并划分成训练集和测试集，同时对训练集进行数据扩增操作；搭建基于注意力机制的卷积神经网络模型；利用步骤S1得到的预处理后的训练集眼底图像对步骤S2构建的基于注意力机制的卷积神经网络进行训练，得到训练好的基于注意力机制的眼底图像动静脉血管分割网络；将待分割的眼底图像输入步骤S3得到的训练好的基于注意力机制的眼底图像动静脉血管分割网络进行分割，得到精确的分割结果。本发明以端到端的方式实现眼底图像动脉和静脉的分割，提高病灶分割的精度和网络的表征能力，提高细小血管的分割能力。

技术领域

本发明涉及图像分割技术领域，具体涉及一种基于注意力机制的眼底图像动脉和静脉血管分割方法。

背景技术

语义分割是通过一定的方法将图像分割成具有一定语义含义的区域，并识别出每个区域块的语义类别，实现从底层到高层的语义推理过程，最终得到一幅具有逐像素级语义标注的分割图像。

视网膜是医疗中的一种常规检查，检查眼底可以直接看到血管和神经组织，对视网膜血管的形态、外观、直径等形态学特征的分析，可以作为各种视网膜和系统性疾病的重要诊断指标。动静脉直径比值(AVR)是一种基本的特征，动静脉直径比值的变化可用于多种系统性疾病的发生和死亡风险的预测。例如全身小动脉狭窄是高血压性视网膜病变的早期特征之一；静脉口径增加与糖尿病视网膜病变和卒中的风险相关。直接计算动静脉比值比较困难，因此作为测量动静脉直径比值的基础步骤，区分视网膜血管中的动脉和静脉，对许多系统性疾病的早期预测和观察病情进展具有重要意义。

传统的基于特征的方法通常是先分割血管系统并将分割的血管骨骼化得到血管中心线图像，再在此基础上，识别分叉和交叉点，去除血管中心线图像中分叉或交叉点处的像素，从而得到血管段。然后从这些血管段上提取特征，最后根据提取到的特征将其进一步分类为动脉或者静脉。随着深度学习的发展，卷积神经网络在高级视觉任务，如图像分类和目标检测中展示了最先进的性能，也逐渐成为医学图像分割的主流方法。卷积神经网络用于检测器官病灶和分割血管的研究越来越多。

首先，血管区域与背景之间的差异不明显，导致一些血管较难分割。其次，在远离视盘的区域，一些血管很难被发现，尤其是一些细小血管，而且那里的动静脉血管对比度低。最后，基于血管提取将每个像素分类为动脉和静脉的方法通常操作复杂并且对血管分割具有高度依赖性。因此需要一种更加精确的方法来解决上述问题。

发明内容

本发明要克服现有技术的上述缺点，提出一种基于注意力机制的眼底图像的动脉和静脉血管分割方法。本发明能更加专注某些特征层和空间区域，抑制了某些无效的非病灶区域的冗余特征，进而提高分割的精度和网络的表征能力，同时使用结构化DropBlock模块能够有效避免出现过拟合的问题。

本发明采用以下技术方案：

一种基于注意力机制的眼底图像的动脉和静脉血管分割方法，其特征在于，包括以下步骤：

步骤S1：对获取的眼底图像进行预处理并划分成训练集和测试集，同时对训练集进行数据扩增操作，具体步骤如下：

步骤S11：对眼底图像进行预处理操作以提搞血管与背景之间的对比度，具体包括：为首先对眼底图像应用核为65×65像素、零均值和标准差为10的高斯滤波器，然后从原始图像中减去高斯滤波的输出，最后对得到处理图像进行归一化。进行预处理的具体过程表示为：

N(w,h)＝I(w,h)-G(w,h) (1)

其中，N是归一化图像，I是原始图像，G是进行高斯滤波之后的图像，w与h分别表示图像的宽度与高度。

步骤S12：对预处理得到的训练集图片使用旋转、裁剪、颜色扰动操作，从而扩增训练数据。

步骤S2：搭建基于注意力机制的卷积神经网络模型。