[发明专利]基于丰富上下文网络的视杯视盘分割方法及成像方法

权利要求书

1.一种基于丰富上下文网络的视杯视盘分割方法，包括如下步骤：

S1.获取现有的彩色眼底图像数据；

S2.对步骤S1获取的彩色眼底图像数据进行处理，从而得到训练数据集；

S3.构建视杯视盘分割原始模型；具体为采用如下步骤构建视杯视盘分割原始模型：

采用ResNet101网络作为主网络：ResNet101网络包括4个stage，每个stage均包括卷积、下采样和batch归一化操作；

将ResNet101网络中的最后三个stage的特征分别输入到3个空间金字塔池化模块，从而提取特征的空间维度的上下文信息；

将3个空间金字塔池化模块的输出分别输入3个压缩抽取模块，从而提取特征的通道维度的上下文信息；

将3个压缩抽取模块的输出进行融合，进一步获取多尺度的上下文信息；

对融合后的每个分支的特征进行1x1卷积操作，从而将通道的维度改变为3；

利用softmax操作将3条分支的预测值进行归一化；

对归一化后的3个分支，再分别进行交叉熵监督；

其中，采用如下步骤进行运算并构建压缩抽取模块：

通过全局平均池化操作将每个通道的空间信息压缩成一个标量，得到通道描述子z＝[z₁,...,z_c]，其中f_c为特征的第c个通道，H×W为空间维度的大小，f_c(i,j)为从空间金字塔模块输出的特征f在通道c、空间位置(i,j)处的值；

在通道描述符z的基础上,用两个全连接层来学习特征f的通道激活程度；设定全连接层的参数为W₁和W₂，计算得到激活向量s＝F_ex(z,W)＝σ(W₂·δ(W₁·z))，W＝{W₁,W₂}，δ()为ReLU激活函数，σ()为sigmoid激活函数；

最终得到用激活度加权的特征表示f_out＝[s₁·f₁,...,s_c·f_c]；

S4.采用步骤S2得到的训练数据集对步骤S3构建的视杯视盘分割原始模型进行训练，从而得到视杯视盘分割模型；

S5.采用步骤S4得到的视杯视盘分割模型，对目标彩色眼底图像进行分割，从而得到最终的视杯视盘分割结果。

2.根据权利要求1所述的基于丰富上下文网络的视杯视盘分割方法，其特征在于步骤S2所述的对步骤S1获取的彩色眼底图像数据进行处理，具体包括对彩色眼底图像进行随机镜像翻转和尺度缩放，同时将彩色眼底图像以视盘为中心进行裁剪，得到包括完整视盘区域和设定大小的窗口图像。

3.根据权利要求1所述的基于丰富上下文网络的视杯视盘分割方法，其特征在于所述的ResNet101网络包括4个stage，具体为在ResNet101网络的第3个stage采用扩张率为2的扩张卷积替代stride卷积，针对第4个stage，采用扩张率为4的扩张卷积替代stride卷积。

4.根据权利要求1所述的基于丰富上下文网络的视杯视盘分割方法，其特征在于所述的空间金字塔池化模块，具体包括一个池化层、一个第一卷积层、一个上采样层、一个通道级联层和一个第二卷积层；池化层、第一卷积层、上采样层、通道级联层和第二卷积层依次串接；池化层采用大小为1x1、2x2、3x3和6x6的4个平均池化层捕获多尺度上下文，然后将输出第一卷积层后，再输出到上采样层进行上采样，然后进行通道级联；最后再通过第二卷积层进行输出。

5.根据权利要求1所述的基于丰富上下文网络的视杯视盘分割方法，其特征在于所述的将3个压缩抽取模块的输出进行融合，具体为将第2个stage所对应的分支的特征进行上采样，然后以元素相加的方式，依次融合第3个stage所对应的分支的特征和第4个stage所对应的分支的特征。