【技术实现步骤摘要】
本专利技术涉及眼科影像，特别是一种视网膜血管的分割提取方法。
技术介绍
1、视网膜血管分割是计算机视觉中一项重要的非破坏性医学成像任务，对于诊断眼底疾病至关重要。虽然基于深度学习的方法在这一领域占据主导地位，但现有的分割算法主要利用具有跳接连接的u型编码器-解码器式网络。然而，不同尺度的特征信息之间存在明显的表征差异，具体来说，浅层阶段的特征图分辨率高、维度低，可以为网络提供细粒度的血管信息。随着多次下采样，分辨率逐渐降低，此时深度阶段的特征图包含丰富的高维语义信息，而传统的u型结构无法离散地处理这两类特征。
技术实现思路
1、本专利技术的目的在于克服现有技术的缺点，提供一种视网膜血管的分割提取方法。
2、本专利技术的目的通过以下技术方案来实现：一种视网膜血管的分割提取方法，包括以下步骤：
3、s1：获取视网膜眼底血管数据，并对数据进行预处理；
4、s2：构建多核通道空间注意力模块、像素级自注意力网络模块和动态自适应卷积模块；
5、s3：根据步骤s2中的模块组成u型对称网络；
6、s4：将交叉熵损失和骰子损失使用权重组合作为网络的目标函数，进行多次迭代优化，得到网络最优权重；
7、s5：根据模型获取血管分割结果。
8、优选的，步骤s1中，对数据进行裁剪、翻转、平移、旋转和归一化处理，将输入图片缩放到256×256分辨率。
9、优选的，多核通道空间注意力模块包括多核特征提取子模块、通道注意
10、多核特征提取子模块通过不同尺度的卷积核并行输入，生成多个特征图，记为x1、x2和x3；
11、通道注意子模块用于对特征图进行聚合，再依次平均池化、全连接和激活函数，得到注意力权重；
12、空间注意子模块用于强化特征的空间信息。
13、优选的，通道注意子模块的处理步骤如下：
14、a1：将x2和x3并行送入通道细化路径进行聚合，再依次平均池化、全连接和激活函数，得到注意力权重w1和w2；
15、a2：注意力权重w1和w2分别乘以x2和x3，得到新的特征图x'2和x'3，计算公式为：
16、
17、
18、其中，fc为全连接层；
19、a3：对x'2和x'3进行聚合运算，确定每个通道的重要度，
20、
21、其中，mapchannel为多核通道增强后的特征聚合图；
22、空间注意子模块的处理步骤如下：
23、b1：利用核大小为7×7的深度卷积来提取血管的空间信息，
24、
25、
26、其中，w3和w4是一组权重，w3和w4分别表示不同特征图在特征空间中的血管位置信息，mean为在给定维度上的平均运算；
27、b2：通过深度分离卷积运算得到x1，再与信道增强的特征图再次并行输入空间细化路径，最后与原始特征x相加，
28、
29、
30、
31、
32、优选的，构建像素级自注意力网络模块的步骤如下：
33、c1：将大小为[256,32,32]的深度特征转换为形状相同的像素矩阵；
34、c2：输入特征经像素采样后转换为[b,256,32,32]的像素矩阵，再将像素矩阵送入像素嵌入层，得到多个像素级补丁p，然后添加可学习参数位置嵌入，用于补充标记中像素的位置信息，
35、pixel_matrix＝pixel_sampling(x)；
36、p＝pixel_embedding(pixel_matrix)；
37、p'＝linear(x)；
38、embeddedpatch＝p+p'；
39、其中，x为深度特征；
40、c3：像素级补丁p送入transformer编码模块，建立远距离全局依赖关系网络，
41、y＝msa(embedded_patch)+embedded_patch；
42、output＝mlp(y)+y；
43、其中，msa为多头自注意力模块，mlp为多个串行线性函数，output为像素级自注意力模块的输出。
44、优选的，像素级补丁p的大小为[256,1,1]。
45、优选的，动态自适应卷积模块在标准卷积过程中的网格坐标g中的每个坐标点k±i,(i＝2)可表示为：
46、g＝(-2,2),(-2,-1),……,(2,1),(2,2)；
47、输入特征与位置p0相对应的预测值可表示为：
48、y(p0)＝∑(w(ki)+x(p0+ki))；
49、在标准卷积的基础上引入偏移量δ，在偏移迭代生成过程中，下一次偏移生成的位置取决于上一次偏移的位置，偏移范围为[-1,1]，
50、y(p0)＝∑(w(ki)+x(p0+ki+δx))+∑(w(ki)+x(p0+ki+δy))；
51、其中，δx为x轴方向的偏移量，δy为y轴方向的偏移量。
52、优选的，步骤s3中，多核通道空间注意力模块的输入为浅层编码器生成的特征，多核通道空间注意力模块提取的特征通过跳接与解码器生成的特征串联；像素级自注意力网络模块嵌入在编码器和解码器的瓶颈中，包括位置嵌入层、像素采样层和四个多头自注意力层，像素采样层用于将图像特征转换为像素级补丁，并将其与位置嵌入层一起送入自注意力层，得到像素级的全局依赖；动态自适应卷积模块设置在最后一层解码器和分割头之间。
53、优选的，步骤s4中，训练的网络损失函数是基于骰子系数和基于交叉熵的损失，分别表示为dice和ce，ce损失表示为：
54、lce＝-σlog(ytrue)*log(ypred)；
55、其中，ytrue为实际的标签值，ypred为网络预测的概率值，log为自然对数；
56、ldice的数学表示为：
57、
58、其中，predi为预测值，i为每个像素的索引，turei为真正的标签，smooth为平滑常数；
59、总损失为：
60、loss＝λlce+ldice；
61、其中，λ为损失权重，λ∈[0,1]。
62、本专利技术具有以下优点：本专利技术通过多核通道空间注意力模块和像素级自注意力网络模块提升对血管特征的学习能力，再通过动态自适应卷积模块增强了网络准确分割复杂视网膜血管的能力，从而捕捉可变的血管结构。
本文档来自技高网...【技术保护点】
1.一种视网膜血管的分割提取方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的视网膜血管的分割提取方法，其特征在于：所述步骤S1中，对数据进行裁剪、翻转、平移、旋转和归一化处理，将输入图片缩放到256×256分辨率。
3.根据权利要求2所述的视网膜血管的分割提取方法，其特征在于：所述多核通道空间注意力模块包括多核特征提取子模块、通道注意子模块和空间注意子模块；
4.根据权利要求3所述的视网膜血管的分割提取方法，其特征在于：所述通道注意子模块的处理步骤如下：
5.根据权利要求4所述的视网膜血管的分割提取方法，其特征在于：构建所述像素级自注意力网络模块的步骤如下：
6.根据权利要求5所述的视网膜血管的分割提取方法，其特征在于：像素级补丁p的大小为256,1,1]。
7.根据权利要求6所述的视网膜血管的分割提取方法，其特征在于：所述动态自适应卷积模块在标准卷积过程中的网格坐标G中的每个坐标点K±i,(i＝2)可表示为：
8.根据权利要求7所述的视网膜血管的分割提取方法，其特征在于：所述步骤S3中
9.根据权利要求8所述的视网膜血管的分割提取方法，其特征在于：所述步骤S4中，训练的网络损失函数是基于骰子系数和基于交叉熵的损失，分别表示为Dice和CE，CE损失表示为：
...【技术特征摘要】
1.一种视网膜血管的分割提取方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的视网膜血管的分割提取方法，其特征在于：所述步骤s1中，对数据进行裁剪、翻转、平移、旋转和归一化处理，将输入图片缩放到256×256分辨率。
3.根据权利要求2所述的视网膜血管的分割提取方法，其特征在于：所述多核通道空间注意力模块包括多核特征提取子模块、通道注意子模块和空间注意子模块；
4.根据权利要求3所述的视网膜血管的分割提取方法，其特征在于：所述通道注意子模块的处理步骤如下：
5.根据权利要求4所述的视网膜血管的分割提取方法，其特征在于：构建所述像素级自注意力网络模块的步骤如下：
6.根据权利要求5所述的视网膜血管的分割提取方法，其特征在于：像素级补丁p的大小为256,1,1]。
7.根据权利要求6所述的视网膜血管的...
【专利技术属性】
技术研发人员：马超，罗金生，刘天舒，杨蒙蒙，蒋洛峰，
申请(专利权)人：绵阳职业技术学院，
类型：发明
国别省市：
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。