【技术实现步骤摘要】
本专利技术涉及一种糖网病变分割方法，具体涉及一种基于小波的特定尺度循环反馈网络的糖网病变分割方法。
技术介绍
1、糖尿病视网膜病变(dr)，也称糖网病变，是糖尿病的主要眼部并发症，已成为视力损害和失明的主要原因之一。据估计，2020年全球约有1.03亿成年人患有dr。预计到2045年，这一数字将增加到1.61亿。dr病变的常见临床表现包括硬性渗出(ex)、出血(he)、软性渗出(se)和微动脉瘤(ma)。眼科医生通常根据彩色眼底图像中是否存在这些病变来诊断dr。由于眼科医生数量较少，一名眼科医生需要筛查大量眼底图像，工作量较大。因此，自动dr病变分割(drls)对于辅助dr诊断和减少眼科医生的工作量至关重要。
2、最近，多尺度特征的细化方法在其他密集预测任务，例如显着性目标检测(sod)和伪装目标检测(cod)任务中被研究。一类方法已被证明是有效的，该类方法利用先前迭代中聚合的多尺度特征作为反馈，通过设计的迭代反馈方法来细化不同尺度的特征。此类方法存在两个主要问题：1)细化过程中的空间信息丢失。现有的方法使用不可逆的下采样操作(例如跨步卷积和双线性插值)来对反馈特征或细化的多尺度特征进行下采样，这可能会导致对于逐像素预测任务很重要的空间信息丢失。2)针对不同尺度特征的尺度无关反馈。来自编码器低层次的大尺度特征包含丰富的细节，但其语义信息不准确。来自编码器高层次的小尺度特征包含精确的语义信息，但缺乏足够的细节。因此，大尺度特征可能需要更多语义细化，而小尺度特征可能需要更多细节细化。然而，以前的方法对不同尺度的特征应用相
技术实现思路
1、为了填补在糖网病变分割技术中的对多尺度特征细化方法研究的空白，本专利技术将迭代反馈机制引入到糖网病变分割任务中来探索多尺度特征细化方法，并提出了一种基于小波的特定尺度循环反馈网络的糖网病变分割方法，该方法递归地利用反馈来细化多尺度特征，获得更好的聚合多尺度特征表示，以实现准确的糖网病变分割。
2、本专利技术的目的是通过以下技术方案实现的：
3、一种基于小波的特定尺度循环反馈网络，采用编码器-解码器结构，其中：
4、所述编码器利用efficientnet-b1作为主干网络从输入图像中提取多尺度特征i∈{1,2,3,4,5}表示从下到上第i层，并将提取的特征通过两个卷积层，将其通道数调整为c＝64；
5、所述解码器由基于小波的反馈金字塔模块(wfpm)、特定尺度的细化模块(srm)和多尺度特征聚合器(mfa)三个部分组成；
6、所述wfpm首先使用一个3×3卷积层增强来自前一个循环聚合的多尺度特征sn-1产生最低层次的初始反馈特征其中h表示图像的高，w表示图像的宽，c表示特征通道数，n表示循环数次数；然后应用hwt对通道压缩的反馈特征进行无损下采样：hwt采用四个滤波器wll、wlh、whl和whh将二维特征图分解为四个哈尔小波子带，分别对应和zll包含z的所有低频信息，zlh、zhl和zhh包含z的所有高频信息，利用跨通道拼接操作合并所有小波子带以获得hwt的输出，即最后使用3×3卷积层conv3×3扩大感受野以适应层级的增加，以获得第i层级的初始反馈特征wfpm表示为：
7、
8、所述srm包含5个块，记为首先通过跨通道拼接操作concat将初始反馈特征与第i层次初始特征bi组合，然后将组合后的特征输入至1×1卷积层以获得特定尺度的反馈特征其计算公式为：
9、
10、通过逐元素加法运算使用特定尺度的反馈特征细化初始特征，将其通过3×3卷积层进行增强，获得细化特征bin，其表示为：
11、
12、所述mfa首先利用双线性插值运算将高层次特征上采样2倍，然后通过逐元素加法运算将输出特征与低层次特征集成，最后使用一个3×3卷积层增强集成的特征，以bn作为输入，mfa用公式表示为：
13、
14、其中等于sn。
15、一种基于小波的特定尺度循环反馈网络的糖网病变分割方法，所述方法基于上述小波的特定尺度循环反馈网络进行糖网病变分割，包括如下步骤：
16、步骤一、编码器从输入图像中提取多尺度特征并将提取的特征通过两个卷积层，将其通道数调整为c＝64以进行后续处理；
17、步骤二、对于循环数次数n＝1，假设是第一个循环并且没有来自前一个循环的反馈特征，在第一个循环中，编码器提取的初始多尺度特征被输入到mfa中以融合多尺度特征；对于循环数次数n＞1，wfpm通过前一个循环的聚合的多尺度特征sn-1为初始的多尺度特征产生初始的反馈金字塔srm利用生成特定尺度的反馈细化初始的多尺度特征，将细化的多尺度特征通过与第一个循环相同的mfa，在每个循环中，解码器共享权重，上述循环细化表示为：
18、
19、其中b是编码器提取的多尺度特征，sn-1是前一个循环中聚合的多尺度特征，为初始的多尺度特征产生初始的反馈金字塔，bn是经过细化后的多尺度特征，sn是当前循环中聚合的多尺度特征，n为循环次数；
20、步骤三、将所有循环中聚合的多尺度特征输入至一个3×3卷积层和上采样层来生成用于训练过程的分割图最终损失函数计算如下：
21、
22、其中是糖网病变分割任务中骰子损失，n是总循环数，表示每个循环约束的权重，g表示真实标签；
23、步骤四、在训练好模型之后的最终的糖网病变分割中，通过加权平均操作结合所有循环中聚合的多尺度特征进行预测，其表示为：
24、
25、其中sf是用于预测的最终特征；将sf输入至一个3×3卷积层和上采样层，生成最终的糖网病变分割图。
26、相比于现有技术，本专利技术具有如下优点：
27、1、本专利技术填补了在糖网病变分割技术中的对多尺度特征细化方法研究的空白。
28、2、本专利技术解决了现有的在其他任务上的基于迭代反馈机制的多尺度特征细化方法中存在的两个问题：(1)细化过程中的空间信息丢失；(2)针对不同尺度特征，使用尺度无关的反馈。
本文档来自技高网...【技术保护点】
1.一种基于小波的特定尺度循环反馈网络，其特征在于所述网络采用编码器-解码器结构，其中：
2.一种利用权利要求1所述基于小波的特定尺度循环反馈网络进行糖网病变分割的方法，其特征在于所述方法包括如下步骤：
【技术特征摘要】
1.一种基于小波的特定尺度循环反馈网络，其特征在于所述网络采用编码器-解码器结构，其中：
2.一...
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。