[发明专利]一种基于卷积神经网络的微出血病灶分割方法

说明书

本发明设计了一种基于卷积神经网络的甲襞微出血病灶分割方法，该方法收集、处理甲襞微出血图像；标注微出血病灶区域，得到金标准图像；构造一种基于卷积神经网络的甲襞微出血病灶分割模型；划分训练集、测试集；对训练集进行数据扩增，并用扩增后的数据训练模型；用测试集测试训练好的模型。本发明把包含通道注意力、空间注意力的双注意力机制引入到经典的U型特征提取网络中，强调关键特征，抑制无关特征，促使模型更加关注微出血病灶区域；在网络结构中增加组归一化作为正则化手段，加快模型收敛速度，防止过拟合，提高整体分割性能。本发明可以得到高精度的甲襞微出血病灶分割图像。

技术领域

本发明属于医学图像处理领域，具体涉及一种基于卷积神经网络的微出血病灶分割方法。

背景技术

甲襞微循环作为反映全身末梢循环状况的窗口，对自身免疫性疾病的诊断和治疗十分重要。在临床中，医生使用甲襞毛细血管镜观察甲襞毛细血管的形态，根据微循环特征分析病情。当甲襞毛细血管内的红细胞溢出到血管周围区域，就形成微出血现象。它是微循环异常的重要表现之一，通常反映了潜在的血管损伤。相关文献表明，甲襞微出血的形成与一些疾病的临床特征有密切联系，如高血压导致的血液流变性障碍、糖尿病性视网膜病变以及青光眼视盘出血等。考虑到甲襞微出血的发生是一个长期的动态过程，且其演变在一定程度上反应了病情发展与治疗进展，开发一种精确的微出血病灶分割算法对相应疾病的诊断与研究是十分必要的。

对甲襞微循环图像进行微出血病灶分割是一项极具挑战性的任务。首先，甲襞微出血的形态较为复杂多变，大大增加了分割的难度。具体如三角形、半月形、帽状、点状或片状出血，按颜色分鲜红、紫红或黄褐色出血等，各不相同。其次，甲襞微出血与毛细血管位置相邻，特征相近，容易混淆。此外，图像的采集环节往往存在噪声过多的问题。噪声以香柏油的反光和仪器上的灰尘为主，它导致微循环图像背景明暗不均匀，对比度不高，综合质量较低。

传统的医学图像分割方法依赖手工特征提取且表达能力受限，难以应对复杂度较高的微出血病灶分割问题。近年来，深度学习在计算机视觉领域取得了巨大成功，卷积神经网络得到了深入、广泛的应用。其中，U-Net是医学图像分割领域的代表性模型，众多研究都沿用了其经典的U型设计。它采用编码器和解码器来提取不同层次的特征，并通过跳跃连接进行拼接、融合，最终实现了逐像素分类。尽管U-Net在一定程度上弥补了因下采样而导致的空间信息丢失，但它仍存在分割效率较低、分割精度不足的问题。

发明内容

本发明要解决的技术问题是：如何提高对甲襞微循环图像进行微出血病灶分割的效率和精度。为实现这一目的，本发明将双注意力机制和组归一化引入U型卷积神经网络，得到以下方案:

一种基于卷积神经网络的微出血病灶分割方法，包括以下步骤：

步骤1：收集微出血图像，对其进行感兴趣区域的剪裁与归一化预处理，得到数据集中的病理图像；

步骤2：通过标注软件对步骤1获得的病理图像进行逐像素标注，得到数据集中的金标准图像；

步骤3：针对步骤1、步骤2得到的数据集建立基于U型特征提取网络的分割模型，U型特征提取网络中嵌入组归一化层和融合双注意力模块；

步骤4：对步骤1、步骤2获得的数据集进行训练集、测试集的划分；

步骤5：对步骤4得到的训练集做数据扩增，扩增后的图像用于步骤3分割模型的训练，训练好的模型输出逐像素分类的预测图；

步骤6：将步骤4获得的测试集作为步骤5训练好的分割模型的输入，模型输出逐像素分类的预测图。

在步骤1中制作处理后的病理图像具体为：

步骤11：收集带有微出血异常的甲襞微循环图像，从中找到微出血病灶区域，选取其中心取图像邻域256*256的区域作为分割的感兴趣区域；