[发明专利]一种基于空间和通道双重注意力机制的眼底血管分割方法

权利要求书

1.一种基于空间和通道双重注意力机制的眼底血管分割方法，其特征在于，包括如下步骤：

步骤1、对原始眼底图像进行数据预处理，所述预处理包括对原始图像进行直方图均衡；

步骤2、对预处理后的眼底图像进行数据扩增；

步骤3、构建融合空间和通道双重注意力机制的分割网络DAU-net，将扩增后的图像送入到DAU-net中进行网络训练，利用网络分割结果与对应的人工标注血管分割图之间的损失指导网络训练，获得训练后的眼底血管分割模型；具体包括：

步骤A.构建空间和通道双重注意力机制的眼底血管分割网络DAU-net

在眼底血管分割网络U-net基础上，首先将所有卷积层(conv)的输出通道减半，以降低网络模型的复杂度，提高血管分割的效率；其次，在网络中添加空间注意力模块和通道注意力模块以提升网络分割的精确率；编码部分，在每次下采样(max pooling)操作之前添加空间注意力模块和通道注意力模块；解码部分，在每次上采样(upsampling)之前添加空间注意力模块和通道注意力模块；注意力模块能够使网络关注到眼底图像血管区域，提升网络的分割精确率，将U-net网络通道减半和添加两种注意力模块，得到所述眼底血管分割网络DAU-net；

通道注意力模块使网络对通道的重要性进行编码，获得不同通道的权重值，进而将网络的学习聚焦在重要的通道上，以提升网络学习的性能，通道注意力模块的网络结构首先，上一层输出的特征图矩阵(c×h×w)作为通道注意力模块的输入，经过平均池化，获得每个通道上的均值矩阵(1×1×c)；其次，将均值通过两个卷积层获得权重矩阵(1×1×c)，权重矩阵的每个权值代表相应通道的重要程度；最后，将获得的权重矩阵经过S形函数激活，再与特征图矩阵相乘，获得加权后特征图矩阵作为通道注意力模块的输出；

空间注意力模块使网络对特征图上空间区域的重要性进行编码，获得不同区域的权重值，进而将网络的学习聚焦在重要的空间区域上，以提升网络学习的性能，空间注意力模块的网络结构，首先上一层输出的特征图矩阵(c×h×w)作为空间注意力模块的输入，沿着通道维度计算均值，得到均值特征图矩阵(1×h×w)特征图矩阵上每个值代表所在位置像素的重要程度；然后将均值特征图经过S形函数激活，再与输入的特征图矩阵相乘，获得加权后的特征图均值作为空间注意力模块的输出；

步骤B.网络模型训练

首先选择眼底血管分割的公开数据集，或者收集并标注一批眼底血管分割数据；其次，将原始眼底图进行预处理，并与标注结果一起进行数据扩增；最后送入到DAU-net网络中进行模型训练，利用网络分割结果与标注分割结果之间的损失对网络学习进行指导，获得最终稳定的血管分割图；

步骤4、将待分割的测试眼底图输入眼底血管分割模型进行分割处理，获得眼底血管分割结果。

2.根据权利要求1所述的一种基于空间和通道双重注意力机制的眼底血管分割方法，其特征在于，所述步骤1包括：

首先对原始输入图像进行直方图均衡，以减少光照变化对眼底图的影响；

其次进行高斯滤波，增强眼底视盘和渗出物与图像其他区域之间的对比。

3.根据权利要求1所述的一种基于空间和通道双重注意力机制的眼底血管分割方法，其特征在于，所述步骤2包括：

利用高斯滤波后的图像进行数据扩增，对图像随机进行旋转或尺寸变化，达到数据扩增的目的。