[发明专利]一种注意力机制U型密集连接视网膜血管分割方法

摘要

本发明涉及一种注意力机制U型密集连接视网膜(融合DenseNet和Attention U‑net网络的新型视网膜)血管分割方法，包括视网膜血管图像预处理、构建视网膜血管分割模型步骤。本发明能有效地解决相邻血管易相连、微血管过宽、细小血管易断裂、血管交叉处分割不足以及对图像噪声过于敏感、目标与背景灰度值交叉、视盘与病灶误分割等问题。本发明在较低复杂度的情况下融合多种网络模型，在DRIVE数据集上取得优异的分割结果，其准确率和灵敏度分别为96.95％和85.94％，比最新文献公布的视网膜分割结果准确率提升约0.59％，灵敏度提升约7.92％。

主权项

1.一种注意力机制U型密集连接视网膜血管分割方法，其特征是，包括以下步骤：步骤A01，视网膜血管图像预处理：首先对采集的视网膜图像按比例选取RGB三通道颜色特征信息；然后采取限制对比度直方图均衡化CLAHE和filter2D滤波提升血管与背景的对比度，并采用局部自适应Gamma矫正视网膜图像较暗的伪影区域，突显血管像素；最后利用新型多尺度形态Hot‑top滤波提升视网膜图像微小血管的多尺度亮、暗细节特征，并平滑去噪；步骤A02，构建视网膜血管分割模型：首先在U‑net模型的编码部分引入DenseNet网络结构，充分利用前后输出层特征图的结构信息，以降低特征提取时的网络参数复杂度，进一步克服原始U‑net网络存在对底层卷积层血管特征信息利用不全的现象；其次，在解码部分引入软注意模型，构建注意门模型AGs；注意门模型可以根据金标准图像gi特征信息增加经编码处理后训练图像xi血管的权重特征，粗略提取血管整体“骨架”，过滤背景伪影、硬性渗出物、视盘和黄斑，提升后期血管上采样恢复图像信息与最终分割的鲁棒性，并结合U‑net自身具有将高层信息与底层信息相结合的优点，提取更多的视网膜图像细节信息；最后，由Softmax激活函数进行血管与背景像素分类，以实现视网膜血管精分割。