【技术实现步骤摘要】
本专利技术涉及深度学习技术和图像处理，具体涉及一种基于嵌套结构的小样本眼底血管图像分割方法。
技术介绍
1、随着全球人口老龄化、糖尿病以及生活方式改变等因素造成的影响，青光眼、糖尿病视网膜病变(dr)、年龄相关性黄斑(amd)成为了老年人失明的首要原因，疾病与视网膜血管系统的形态结构相关性的研究表明，视网膜血管系统与高血压、中风和心血管疾病等多种疾病之间存在密切关系，早期的发现与诊断对于医生和病人都有着极为重要的意义。视网膜血管树状结构非常复杂，眼底相机采集此类信息时产生的对比度、亮度分布不均的问题使得血管的分辨和提取较为困难，手工分割视网膜眼底血管对于医生来说是一个相当费时费力且繁琐的工作，当前迫切的需要一种自动化的分割手段来进行辅助。智能算法的发展使得计算机能够快速完成眼底血管的分割任务，极大的减轻眼科医生的标注负担，提升医生的工作效率。
2、目前，眼底血管图像的自动分割方法主要分为两大类：传统的眼底血管分割算法和基于深度学习的分割算法。传统的眼底血管分割算法主要以数字图像处理技术为主，这些技术大多采用基于规则的方法，包括匹配滤波、多尺度、血管跟踪、形态学处理、区域生长等。其优势在于不需要额外的数据集标注、较快的速度和较小的计算复杂度。然而传统方法的缺陷在于过度依赖特征设计和大量的人工调参，缺乏自动提取特征的能力，在分割精度上有待提高且泛化能力较差。基于深度学习的分割算法凭借其出色的特征提取能力已经逐步替代了传统的分割方法，其中基于u-net的分割模型在医学图像分割领域有着广泛的应用。然而u-net多次下采样可能
3、然而基于深度学习的分割模型通常要求大量样本进行训练，而在医学图像分割领域，由于病人隐私和医院政策等因素的影响，样本获取难度大且数量稀少，难以满足深度学习模型的训练需求。而目前针对包含血管结构的小样本图像分割方法较少，已有的小样本模型难以对血管结构进行精细的分割。
4、因此，如何在样本量较少的情况下对医学图像中的眼底血管结构进行有效的分割是该领域技术人员急需解决的问题。
技术实现思路
1、针对上述现有技术的不足，本专利技术提供了一种基于嵌套结构的小样本眼底血管图像分割方法，提高模型提取原型特征向量的能力，改善模型在小样本情形下的分割精度，以解决现有技术中模型对样本依赖性强、精度差、泛化能力较弱等问题。
2、为了解决上述技术问题，本专利技术采用了如下的技术方案：
3、一种基于嵌套结构的小样本眼底血管图像分割方法，获取待处理的眼底血管图像，输入至经过预先训练的眼底血管分割网络模型，得到待处理的眼底血管图像的血管区域分割结果；
4、所述眼底血管分割网络模型包括原型提取层、掩码平均池化层和分割头；所述原型提取层用于对输入的眼底血管图像进行多层嵌套的特征提取，得到眼底血管图像的原型特征图；所述掩码平均池化层用于根据设定的分割类别掩码，提取出所述原型特征图对应的原型特征向量；所述分割头用于根据所述原型特征向量进行眼底血管图像的分割处理，得到眼底血管图像区域分割结果。
5、作为优选方案，所述原型提取层包括n个阶段级联、n个层级的特征恢复单元，其中任意的第i阶段的特征恢复单元中包括依次连接的一个上下文特征精炼模块和i-1个嵌套细节恢复模块，i＝1,2,…,n，且输入至原型提取层的眼底血管图像作为第1阶段特征恢复单元的输入x1，每个阶段特征恢复单元中的上下文特征精炼模块的输出经过卷积并行池化处理后作为下一个阶段特征恢复单元的输入，每个阶段的特征恢复单元的最后第n层输出的原型特征图作为针对眼底血管图像提取的原型特征图，从而得到眼底血管图像对应的原型特征图{f1,f2,...fi,...,fn}；
6、所述原型提取层中任意第i阶段的特征恢复单元中任意第j层输出的原型特征图fk(xi)通过如下公式表示：
7、
8、
9、k＝i+j-n-1；
10、其中，xi为原型提取层中第i阶段的特征恢复单元的输入，g()表示上下文特征精炼模块的处理，dk-1()表示k-1次的嵌套细节恢复模块的处理，pool()表示卷积并行池化处理；
11、对于原型提取层中第i阶段的任意第j层的输出表示为：
12、
13、其中，满足n＜i+j≤2n，relu(·)表示relu激活函数运算。
14、作为优选方案，所述上下文特征精炼模块的处理过程包括：
15、对输入的特征图通过1×1卷积进行通道数扩展处理，得到扩展特征图；再将所述扩展特征图依次通过3×3卷积和1×1卷积进行上下文特征提取与聚合，得到聚合特征图；然后，将所述聚合特征图再依次经过通道注意力模块和空间注意力模块进行通道注意力特征和空间注意力特征的提取，最后将提取结果图与所述扩展特征图进行逐元素相加及激活运算后，得到作为输出的特征图。
16、作为优选方案，所述卷积并行池化的处理过程包括：
17、对输入特征图分别进行最大池化处理和结合卷积处理；其中，在结合卷积处理中，先对输入特征图通过5×5卷积进行特征视野扩展处理，再通过2×2卷积进行调整处理；然后，将最大池化处理结果图和结合卷积处理结果图进行逐元素相加，得到作为输出的特征图。
18、作为优选方案，对于原型提取层中第i阶段的任意第j层的嵌套细节恢复模块，其处理过程包括：
19、先对输入特征图进行密集上采样卷积处理，将输入特征图划分映射为l个高度、宽度、通道数尺寸为(h×r,w×r,1)的特征子图，然后将其与此前各阶段中位于第j层的各特征子图至进行拼接后通过上下文特征精炼处理进行信息提取融合，再将融合结果与相邻前一阶段位于第j层的特征子图进行逐元素相加后，得到作为输出的特征图
20、所述密集上采样卷积处理，是将先对输入特征图进行3×3卷积处理，然后将卷积处理后的特征图划分为l个高度、宽度、通道数尺寸为(h,w,r2)的特征图子集，其中r2×l＝c，r为上采样的倍率，l为目标通道数，c为输入特征图的通道数，最后将特征图子集映射为l个高度、宽度、通道数尺寸为(h×r,w×r,1)的特征子图。
21、作为优选方案，在原型提取层中任意第i阶段的最后第n层输出后，还通过薄弱信息精炼模块处理后，再传递至第i+1阶段的第n层；所述薄弱信息精炼模块的处理过程包括：
22、对输入特征图分别进行信息激活处理和空间注意力提取出处理；其中，在信息激活处理中，先使用线性激活函数对输入特征图进行动态线性激活，再通过3×3卷积进行通道信息激活并通过sigmoid函数映射得到概率图，然后将所述概率图与所述输入特征图相乘，得到对应的信息激活处理结果图；然后，将所述信息激活处理结果图与空间注意力提取处理结果图进行逐元素相加后，再与所述输入特征图相乘，得到作为输出的特征图。本文档来自技高网...
【技术保护点】
1.一种基于嵌套结构的小样本眼底血管图像分割方法，其特征在于，获取待处理的眼底血管图像，输入至经过预先训练的眼底血管分割网络模型，得到待处理的眼底血管图像的血管区域分割结果；
2.根据权利要求1所述基于嵌套结构的小样本眼底血管图像分割方法，其特征在于，所述原型提取层包括n个阶段级联、n个层级的特征恢复单元，其中任意的第i阶段的特征恢复单元中包括依次连接的一个上下文特征精炼模块和i-1个嵌套细节恢复模块，i＝1,2,…,n，且输入至原型提取层的眼底血管图像作为第1阶段特征恢复单元的输入x1，每个阶段特征恢复单元中的上下文特征精炼模块的输出经过卷积并行池化处理后作为下一个阶段特征恢复单元的输入，每个阶段的特征恢复单元的最后第n层输出的原型特征图作为针对眼底血管图像提取的原型特征图，从而得到眼底血管图像对应的原型特征图{F1,F2,...Fi,...,Fn}；
3.根据权利要求2所述基于嵌套结构的小样本眼底血管图像分割方法，其特征在于，所述上下文特征精炼模块的处理过程包括：
4.根据权利要求2所述基于嵌套结构的小样本眼底血管图像分割方法，其特征在于，
5.根据权利要求2所述基于嵌套结构的小样本眼底血管图像分割方法，其特征在于，对于原型提取层中第i阶段的任意第j层的嵌套细节恢复模块，其处理过程包括：
6.根据权利要求2所述基于嵌套结构的小样本眼底血管图像分割方法，其特征在于，在原型提取层中任意第i阶段的最后第n层输出后，还通过薄弱信息精炼模块处理后，再传递至第i+1阶段的第n层；所述薄弱信息精炼模块的处理过程包括：
7.根据权利要求1所述基于嵌套结构的小样本眼底血管图像分割方法，其特征在于，所述掩码平均池化层的处理过程包括：
8.根据权利要求7所述基于嵌套结构的小样本眼底血管图像分割方法，其特征在于，所述分割头通过余弦距离计算眼底血管图像在原型提取层中第n阶段提取得到的原型特征图Fn与原型特征向量p的距离，进而判断眼底血管图像的区域分割类别概率，得到眼底血管图像区域分割结果。
9.根据权利要求1所述基于嵌套结构的小样本眼底血管图像分割方法，其特征在于，所述眼底血管分割网络模型通过如下方式进行训练：
10.根据权利要求9所述基于嵌套结构的小样本眼底血管图像分割方法，其特征在于，在眼底血管分割网络模型的训练中，通过如下公式计算二元交叉熵损失：
...【技术特征摘要】
1.一种基于嵌套结构的小样本眼底血管图像分割方法，其特征在于，获取待处理的眼底血管图像，输入至经过预先训练的眼底血管分割网络模型，得到待处理的眼底血管图像的血管区域分割结果；
2.根据权利要求1所述基于嵌套结构的小样本眼底血管图像分割方法，其特征在于，所述原型提取层包括n个阶段级联、n个层级的特征恢复单元，其中任意的第i阶段的特征恢复单元中包括依次连接的一个上下文特征精炼模块和i-1个嵌套细节恢复模块，i＝1,2,…,n，且输入至原型提取层的眼底血管图像作为第1阶段特征恢复单元的输入x1，每个阶段特征恢复单元中的上下文特征精炼模块的输出经过卷积并行池化处理后作为下一个阶段特征恢复单元的输入，每个阶段的特征恢复单元的最后第n层输出的原型特征图作为针对眼底血管图像提取的原型特征图，从而得到眼底血管图像对应的原型特征图{f1,f2,...fi,...,fn}；
3.根据权利要求2所述基于嵌套结构的小样本眼底血管图像分割方法，其特征在于，所述上下文特征精炼模块的处理过程包括：
4.根据权利要求2所述基于嵌套结构的小样本眼底血管图像分割方法，其特征在于，所述卷积并行池化的处理过程包括：
5.根据权利...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。