[发明专利]基于全局信息卷积神经网络的视网膜血管图像分割系统

权利要求书

1.基于全局信息卷积神经网络的视网膜血管图像分割系统，其特征在于，包括：

图像处理主模块、神经网络主模块、训练主模块和检测主模块；

所述图像处理主模块用于采集原始视网膜图像，对采集的原始视网膜图像进行预处理，获得处理后的图像，并将预处理后的图像输入至训练主模块和检测主模块；

所述神经网络主模块用于建立能够提取全局信息并强化特征的卷积神经网络；具体过程为：

B1、构建卷积神经编码网络，编码部分的第一阶段为3个卷积核大小3×3的卷积层，在卷积层之后使用了ReLU激活函数和批规范化，特征图的深度为32；编码部分的第二阶段同样为3个卷积核大小3×3的卷积层，在卷积层之后使用了ReLU激活函数和批规范化，特征图的深度为64；

编码的第三阶段和解码的第一阶段都为一个卷积核大小3×3的卷积层，解码第二阶段和第三阶段都为全局特征融合模块和两个卷积核大小3×3的卷积层；

B2、联合编码和解码过程中相对称的特征进行全局特征融合以及易丢失特征的强化，具体描述为特征重映射→特征相似度计算→特征再激活的过程；

使用相似性强化原特征，在整体网络中一共执行了两次“特征重映射—特征相似度计算—特征再激活过程”，分别针对编码第一阶段和解码第三阶段、编码第二阶段和解码第二阶段；先获取编码过程特征U和解码过程特征D，使用了卷积操作完成重映射，即：

其中，U和D的维度均为R^W×H×C，R为实数；W代表特征图的长，H代表特征图的宽，C代表特征图的通道数；为重映射之后的特征，映射之后的特征图的维度均为三维，维度为R^W×H×C/4，使用形状重塑操作将三维特征图变为二维；在这一步之后的维度为R^N×C/4，其中，N＝W×H，N为中间变量；

特征之间相似度矩阵的计算方法通过函数实现：

其中，T为矩阵的的转置，通过得到维度为R^N×N的相似度矩阵，使用Softmax函数将特征相似度矩阵压缩到[0,1]之间，得到强化系数，具体的强化系数表示为：

其中，a_ij代表特征相似度矩阵中第i行第j列的值；将编码和解码过程的特征在通道维度上叠加，使用一次卷积操作整理为维度R^W×H×C的特征图，通过形状重塑操作将三维特征整理成二维，与相似度矩阵相乘，再将相乘的结果与编码和解码过程的特征叠加结果相加，完成特征强化；

B3、网络的输出部分将特征图使用一个卷积层压缩为两层，再使用Softmax函数计算血管和非血管两类的概率值同时计算损失函数，损失函数为：

其中，表示第k类预测的概率值，y_k表示第k类的真实值；

所述训练主模块用于初始化网络参数，设置训练涉及的超参数并对其进行训练，获得训练好的卷积神经网络模型；

所述检测主模块用于利用训练好的模型进行测试，并计算模型性能指标。

2.根据权利要求1所述基于全局信息卷积神经网络的视网膜血管图像分割系统，其特征在于，所述图像处理主模块用于采集原始视网膜图像，对采集的原始视网膜图像进行预处理，获得处理后的图像，并将预处理后的图像输入至训练主模块和检测主模块；具体过程为：

DRIVE公共数据集包含40张彩色视网膜图像，其中7张图像为病变图像；DRIVE中的所有眼底图像均为565×584像素分辨率；数据集平均分为训练集和测试集；

A1、获取训练数据并读取训练集的20张图像，这20张图像为RGB三通道的彩色图像，将这20张训练图像转化为单通道的灰度图像，对转化后的图像进行直方图均衡化，然后对图像进行伽马校正；

A2、构建训练数据加载器，将进行伽马校正之后的图像进行切割，大小为64×64，图像切割过程是以概率p选定一个血管像素点，以选定像素点为中心切割周围64×64大小的区域，p的值为0.33；训练数据加载器一直迭代循环不断产生数据，达到迭代轮数即停止训练。