一种基于注意力机制的轻量化视网膜血管分割方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115760872A(43)申请公布日2023.03.07(21)申请号202211390709.8G06N3/0464(2023.01)(22)申请日2022.11.07G06N3/048(2023.01)G06N3/0455(2023.01)(71)申请人广州大学G06N3/082(2023.01)地址510006广东省广州市大学城外环西G06N3/092(2023.01)路230号(72)发明人刘长红高润荣温川雪毕志升彭绍湖(74)专利代理机构北京高航知识产权代理有限公司11530专利代理师覃钊雄(51)Int.Cl.G06T7/11(2017.01)G06T3/40(2006.01)G06T5/40(2006.01)G06N3/045(2023.01)权利要求书3页说明书7页附图3页(54)发明名称一种基于注意力机制的轻量化视网膜血管分割方法(57)摘要本发明公开了一种基于注意力机制的轻量化视网膜血管分割方法，首先对原视网膜血管图像进行预处理，基于U‑Net和全卷积网络构建视网膜血管分割模型，所述视网膜血管分割模型包括前级网络、后级网络、编解码块、空间分组增强模块；将增强视网膜血管图像输入至前级网络获取初始特征图；对初始特征图采样、输出得到完整特征图，对完整特征图卷积、通道拼接操作，输入至后级网络，得到视网膜血管分割图，通过优化U‑Net网络结构，引入注意力机制，在提升分割性能的同时降低网络复杂度，重点解决了视网膜血管分割领域中无法有效平衡网络复杂度以及分割精度的问题。CN115760872ACN115760872A权利要求书1/3页1.一种基于注意力机制的轻量化视网膜血管分割方法，其特征在于，包括：S1：对原视网膜血管图像进行预处理，得到增强视网膜血管图像；S2：基于U‑Net和全卷积网络构建视网膜血管分割模型，所述视网膜血管分割模型包括前级网络、后级网络、空间分组增强模块、编解码块；S3：将增强视网膜血管图像输入至前级网络获取初始特征图；S4：对初始特征图进行两次下采样，得到两张下采样特征图，将两张下采样特征图输入至空间分组增强模块，输出得到两张增强特征图；S5：将第二次下采样得到的下采样特征图进行两次反卷积上采样，得到上采样特征图，将上采样特征图与增强特征图进行对应像素相加操作，得到完整特征图；S6：对完整特征图进行1×1卷积操作，得到单通道特征图，将单通道特征图与增强视网膜血管图像进行通道拼接操作，得到新的初始特征图；S7：将新的初始特征图输入至后级网络，得到视网膜血管分割图；其中，前级网络为前面的U‑Net，后级网络为后面的U‑Net，编解码块为激活函数PReLU与卷积块。2.根据权利要求1所述的一种基于注意力机制的轻量化视网膜血管分割方法，其特征在于，所述对原视网膜血管图像进行预处理，包括：S2001：对原视网膜血管图像进行对比度受限的自适应直方图均衡化处理，得到增强视网膜血管图像；S2002：对增强视网膜血管图像进行裁剪、旋转、翻转处理；S2003：按照7：3的比例划分为训练集以及测试集。3.根据权利要求1所述的一种基于注意力机制的轻量化视网膜血管分割方法，其特征在于，所述视网膜血管分割模型采用轻量化设计：将初始5层池化层的U‑Net简化为3层池化层的U‑Net，对编解码块的每一阶段消减通道数。4.根据权利要求1所述的一种基于注意力机制的轻量化视网膜血管分割方法，其特征在于，所述视网膜血管分割模型采用级联设计：级联两个U‑Net，将前级网络输出的初始特征图与增强视网膜血管图像进行通道维度拼接，一起输入至后级网络，后级网络基于前级网络输出的初始特征图对每个像素进行二次分割，在辅助网络和主监督网络下分别对初始特征图的每个像素点的标签进行端到端的两次学习，损失函数表示为：Lossaux＝BCE(PM,GT)Lossmain＝BCE(rPM,GT)Loss＝Lossaux+Lossmain式中，Lossaux为辅助损失函数、Lossmain为主损失函数、Loss为总的损失函数、BCE为二值交叉熵损失函数、PM为初始特征图、rPM为学习后的初始特征图、GT为标签。5.根据权利要求1所述的一种基于注意力机制的轻量化视网膜血管分割方法，其特征在于，所述视网膜血管分割模型采用改进的卷积块：S5001：对编解码块使用残差学习，将输入特征映射加入卷积特征映射中，形成输出特征映射；2CN115760872A权利要求书2/3页S5002：采用参数整流线性单位PReLU作为编解码块的激活函数；S5003：在跳跃连接中增加一个1×1卷积层。6.根据权利要求1所述的一种基于注意力机制的轻量化视网膜血管分割方法，其特征在于，所述空间分组增强模块包括：一个完整的特征是由许多子