[发明专利]一种视网膜血管智能分割方法

权利要求书

1.一种视网膜血管智能分割方法，其特征在于，包括：

获取给定的视网膜图像样本集，对所述视网膜图像样本集进行预处理得到预处理数据集；按照预设比例将预处理数据集分为视网膜血管分割网络模型的训练集、以及用于测试视网膜血管分割网络模型的测试集；其中，所述视网膜图像样本集包括：视网膜图像和基准血管分割图像；

分别针对训练集中视网膜图像，通过预设的特征提取网络获得视网膜图像所对应的尺度特征信息，且进一步针对尺度特征信息计算其分别对应的分割难易程度；

以各幅视网膜图像和分割难易程度作为网络源头输入，视网膜图像对应的基准血管分割图像为输出，结合自适应优化算法和预设损失函数，应用各幅视网膜图像，针对目标神经网络进行训练，获得视网膜血管分割网络模型；

根据所述视网膜图像和视网膜血管分割网络模型对所述视网膜图像进行分割。

2.根据权利要求1所述一种视网膜血管智能分割方法，其特征在于，还包括：

所述目标神经网络为卷积神经网络模型，包括：编码部分和解码部分，所述编码部分和所述解码部分由跨层结构连接；其中，所述编码部分包括：高度轴注意力层和宽度轴注意力层。

3.根据权利要求1所述一种视网膜血管智能分割方法，其特征在于，所述对所述视网膜图像样本集进行预处理得到预处理数据集，包括：

对所述视网膜图像样本集进行灰度变换、标准化、自适应直方图均衡化、伽马矫正和剪裁，得到预处理数据集。

4.根据权利要求1所述一种视网膜血管智能分割方法，其特征在于，所述分别针对训练集中视网膜图像，通过预设的特征提取网络获得视网膜图像所对应的尺度特征信息，包括：

获取随机初始值，通过所述随机初始值和预设的特征提取网络获得视网膜图像所对应的尺度特征信息。

5.根据权利要求4所述一种视网膜血管智能分割方法，其特征在于，所述且进一步针对尺度特征信息计算其分别对应的分割难易程度，包括：

通过相似度公式计算不同随机初始值的尺度特征信息两两之间的相似度；

通过如下公式计算不同随机初始值的尺度特征信息的平均值：

其中，sim(x_k)表示不同随机初始值的尺度特征信息的平均值，sim_ij表示不同随机初始值的尺度特征信息两两之间的相似度，x_k表示第k个视网膜图像，z表示z组随机初始值；

通过离差标准化公式计算评价样本难易程度的权重值；

通过如下公式计算分割视网膜图像难易程度的阈值：

其中，λ表示分割视网膜图像难易程度的阈值，α表示调节参数，是自行设置的常数，优选值为0.9，e表示当前训练轮数，m表示训练总轮数，F表示评价样本难易程度的权重值的最值。

6.根据权利根据权利要求1所述一种视网膜血管智能分割方法，其特征在于，所述预设损失函数为：

其中，minE(ω,v,λ)表示预设损失函数，L_BCE(y_i,f(x_i,ω))表示二值交叉熵损失函数，n表示训练集中总视网膜图像数，x_k表示第k个视网膜图像，ω表示模型的权重，v_i表示分割视网膜图像难易程度的度量值，λ表示分割视网膜图像难易程度的阈值。

7.根据权利要求2所述一种视网膜血管智能分割方法，其特征在于，还包括：

所述卷积神经网络模型为U型卷积神经网络模型；

所述自适应优化算法为adam优化算法。