【技术实现步骤摘要】
本专利技术涉及图像处理，更具体的说是涉及一种基于轻量化双路级联网络视网膜图像分割方法。
技术介绍
1、眼底图像的血管结构和形态蕴含丰富的信息，对于辅助筛查眼部疾病而言，视网膜图像分割扮演着至关重要的角色。然而，由于眼底图像中细小血管与背景对比度较低，加之复杂的树状血管分支结构，精准的视网膜图像分割依然是一项具有挑战性的任务。
2、现有的模型容易出现分割结果中血管不连续现象，且现阶段许多研究集中于提高分割性能，而较少关注模型的效率，复杂的网络结构常常带来大量的参数和计算负荷，这不仅耗费了大量的计算资源，也限制了算法在实际环境中的应用和扩展性。
3、因此，如何解决眼底图像分割任务中血管分割不连续和模型参数量较大的问题，是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于轻量化双路级联网络视网膜图像分割方法，解决眼底图像分割任务中血管分割不连续和模型参数量较大的问题。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、第一方面，本专利技术提供一种基于轻量化双路级联网络视网膜图像分割方法，包括以下步骤：
4、引入两个结构相同的u型网络，对其改进后，分别作为前级网络和后级网络，将前级网络和后级网络进行级联，构建视网膜图像分割模型；
5、在前级网络中，编码器部分通过两个阶段进行，每个阶段包含一个残差模块和一个最大池化层对原始输入的视网膜图像进行下采样处理，经过一个阶段的处理后，特征图
6、在编码器部分完成后，特征图通过一个残差模块处理后，开始解码过程；
7、解码部分包括两个阶段，每个阶段通过反卷积和残差模块进行上采样，恢复特征图的尺寸，通过1×1卷积输出第一特征图；
8、将前级网络输出的第一特征图与原始输入的视网膜图像进行叠加，作为后级网络的输入；
9、后级网络按照与前级网络相同的编解码过程对第一特征图进行处理，得到最终视网膜血管图像。
10、进一步的，最终的视网膜血管图像表示为：
11、u(x)＝u(2)(x,u(1)(x))
12、其中，u(x)表示最终的视网膜血管图像，x表示原始输入的视网膜图像，u(1)(x)表示前级网络输出的第一特征图，u(1)表示前级网络，u(2)表示后级网络。
13、进一步的，对u型网络的改进包括：采用结构化剪枝方法将原u型网络的五层架构剪枝为三层，将原u型网络的特征通道剪枝为{32,64,128}。
14、进一步的，坐标注意力模块对大小w×h的特征图的处理过程包括：
15、使用大小为(h,1)和(1,w)的池化核，分别沿着x轴和y轴对每个通道的特征图进行编码，得到方向感知特征图，计算公式为：
16、
17、
18、其中，表示高度为h的第c通道的输出，尺寸为c×h×1，表示宽度为w的第c通道的输出，尺寸为c×1×w；x(i,h)表示沿x轴方向第c通道的高度为h的宽度坐标为i的特征图的数值，x(w,j)表示沿y轴方向第c通道的宽度为w的高度坐标为j的特征图的数值；
19、通过坐标注意力将方向感知特征图结合，通过1×1卷积的处理生成中间特征表示，计算公式为：
20、
21、其中，·表示空间维度的连接操作，δ表示非线性激活函数，f1表示1x1卷积变换函数，f∈rc/r*(h+w)表示编码了垂直和水平方向信息的中间特征图；
22、将中间特征表示f按照宽度和高度两个方向分解，分别为fh∈rc/r*h和fw∈rc/r*w，分别经过1×1卷积fh、fw以及sigmoid激活函数δ处理，以匹配输入特征图的通道数得到gh和gw，过程如下所示：
23、gh＝δ(fh(fh))
24、gw＝δ(fw(fw))
25、将计算得到的权重gh和gw应用到经残差模块和最大池化层下采样后的特征图x(i,j)上，得到最终加权的特征表示y＝[y1,y2,…,yt]，使视网膜图像分割模型在训练时重点关注血管区域，其中，
26、进一步的，引入双路信息融合模块，将前级网络和后级网络进行级联，并将前级网络输出的第一特征图与原始视网膜特征图进行叠加。
27、进一步的，双路信息融合模块对前级网络输出的第一特征图与原始视网膜特征图进行叠加的步骤包括：
28、对前级网络原始输入的视网膜图像进行多尺度特征提取，依次经过一次1×1卷积、三次3×3空洞卷积和一次全局平均池化操作，拼接后通过1×1卷积得到第一个输出特征图；
29、对前级网络输出的第一特征图进行多尺度特征提取，依次经过一次1×1卷积、三次3×3空洞卷积和一次全局平均池化操作，拼接后通过1×1卷积，得到第二个输出特征图；
30、将第一个输出特征图与第二个输出特征图在通道维度进行拼接，作为后级网络的输入。
31、进一步的，对u型网络的改进还包括：引入非对称卷积。
32、第二方面，本专利技术提供一种电子设备，包括：存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序；其特征在于，处理器执行计算机程序时，实现上述的基于轻量化双路级联网络视网膜图像分割方法的步骤。
33、第三方面，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，计算机程序被处理器执行时，实现上述的基于轻量化双路级联网络视网膜图像分割方法的步骤。
34、经由上述的技术方案可知，与现有技术相比，本专利技术具有以下有益效果：
35、首先，本专利技术考虑到现有网络结构在深层多通道结构中存在语义信息的堆叠与稀释，以及较高的计算成本等问题，采用结构化剪枝，减少网络的层数和特征通道数，并引入非对称卷积，进一步降低模型的参数量和运算量，将标准卷积块替换为更高效的残差模块，以促进信息流动并减少语义信息的过度堆叠，构建一个轻量级的网络架构。
36、其次，本专利技术为了充分融合深层语义信息与浅层细节信息，提高模型对图像中目标的分类精度和边缘识别能力，在编解码器结构中的跳跃连接引入坐标注意力模块。该模块的引入可增强网络对重要血管特征的捕捉能力，并减少噪声信息的影响，从而使网络能更精确地利用细节信息。
37、最后，本专利技术通过采用双路信息融合模块，将两个改进的u型网络进行级联。这种级联的网络结构为特征图提供二次学习的机会，进一步细化特征表示。将第一阶段的u型网络定义为“前级网络”，而第二阶段的u型网络定义为“后级网络”。这种双路级联策略不仅加强了特征的提取能力，也为复杂的视网膜图像分割任务提供一种更为有效的解决方案。
本文档来自技高网...【技术保护点】
1.一种基于轻量化双路级联网络视网膜图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于轻量化双路级联网络视网膜图像分割方法，其特征在于，最终的视网膜血管图像表示为：
3.根据权利要求1所述的基于轻量化双路级联网络视网膜图像分割方法，其特征在于，对U型网络的改进包括：采用结构化剪枝方法将原U型网络的五层架构剪枝为三层，将原U型网络的特征通道剪枝为{32,64,128}。
4.根据权利要求1所述的基于轻量化双路级联网络视网膜图像分割方法，其特征在于，坐标注意力模块对大小W×H的特征图的处理过程包括：
5.根据权利要求1所述的基于轻量化双路级联网络视网膜图像分割方法，其特征在于，引入双路信息融合模块，将前级网络和后级网络进行级联，并将前级网络输出的第一特征图与原始视网膜特征图进行叠加。
6.根据权利要求5所述的基于轻量化双路级联网络视网膜图像分割方法，其特征在于，双路信息融合模块对前级网络输出的第一特征图与原始视网膜特征图进行叠加的步骤包括：
7.根据权利要求1所述的基于轻量化双路级联网络视网膜
8.一种电子设备，包括：存储器、处理器和存储在存储器上并可在处理器上运行的计算机程序；其特征在于，处理器执行计算机程序时，实现如权利要求1-7任一项所述的基于轻量化双路级联网络视网膜图像分割方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，计算机程序被处理器执行时，实现如权利要求1-7任一项所述的基于轻量化双路级联网络视网膜图像分割方法的步骤。
...【技术特征摘要】
1.一种基于轻量化双路级联网络视网膜图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于轻量化双路级联网络视网膜图像分割方法，其特征在于，最终的视网膜血管图像表示为：
3.根据权利要求1所述的基于轻量化双路级联网络视网膜图像分割方法，其特征在于，对u型网络的改进包括：采用结构化剪枝方法将原u型网络的五层架构剪枝为三层，将原u型网络的特征通道剪枝为{32,64,128}。
4.根据权利要求1所述的基于轻量化双路级联网络视网膜图像分割方法，其特征在于，坐标注意力模块对大小w×h的特征图的处理过程包括：
5.根据权利要求1所述的基于轻量化双路级联网络视网膜图像分割方法，其特征在于，引入双路信息融合模块，将前级网络和后级网络进行级联，并将前级网络输出的第一特征图与...
【专利技术属性】
技术研发人员：李云洪，胡蕾，韩自成，易志俊，
申请(专利权)人：江西师范大学，
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。