[发明专利]基于改进的U-Net眼底视网膜血管图像分割方法及装置

权利要求书

1.一种基于改进的U-Net眼底视网膜血管图像分割方法，其特征在于，包括以下步骤：

步骤1：获取待检测的视网膜血管图像；

步骤2：将所述视网膜血管图像输入训练好的改进的U-Net网络模型中进行图像分割；

步骤3：输出视网膜血管图像分割结果；

所述改进的U-Net网络模型的结构为：

在全卷积网络U-Net的基础上，在所述全卷积网络U-Net的编码器和解码器之间增加NoL-block注意力模块，所述NoL-block注意力模块的结构包括Dropblock随机丢弃模块和non-local非局部模块，所述NoL-block注意力模块用于捕获在图像分割中有距离的像素之间在空间中的依赖关系，所述编码器最后一个卷积块的输出经过NoL-block注意力模块后输入到所述解码器的第一个卷积块中进行上采样。

2.根据权利要求1所述的图像分割方法，其特征在于，

所述编码器的结构为由4个卷积块组成，每个卷积块使用2个有效卷积、批标准化BatchNormalization、随机丢弃卷积Dropblock、激活函数ReLU、和1个Max Pool ing。

3.根据权利要求2所述的图像分割方法，其特征在于，所述解码器包括4个转置卷积块和一个卷积块，每个转置卷积块使用2个有效卷积、批标准化Batch Normalization、随机丢弃卷积模块Dropblock、激活函数ReLU、和1个Max Pool ing，每个转置卷积块与来自编码器的相应特征映射连接。

4.根据权利要求2所述的图像分割方法，其特征在于，所述编码器最后一个卷积块输出的特征图输入Dropblock随机丢弃模块进行部分像素丢弃处理，然后将经丢弃处理后的输出图输入所述non-local非局部模块，计算输出图中任意两个像素之间的相互作用，捕获在图像分割中有距离的像素之间在空间中的依赖关系，将经所述non-local非局部模块处理后的输出图输入所述解码器的第一个卷积块中。

5.根据权利要求4所述的图像分割方法，其特征在于，所述Dropblock随机丢弃模块对像素进行丢弃处理时的两个参数分别是：

一个是block_size，表示drop像素区域长和宽的大小，

一个是γ，表示drop过程中的丢弃概率，即伯努利函数的概率：

其中，keep_prob为保存信息的比率，feat_size为输出的特征图feature map的大小，feat_size-block_size+1为目标区域的大小。

6.根据权利要求5所述的图像分割方法，其特征在于，所述non-local非局部模块计算输出图中任意两个像素之间的相互作用，捕获在图像分割中有距离的像素之间在空间中的依赖关系的方法是指：

将编码器输出的特征图经随机丢弃模块Dropblock处理后的输出图x，对于其中任意第i个位置的像素x_i，通过该像素x_i与输出图x上所有其他像素x_j之间的相关性f(x_i,x_j)所计算出的特征值y_i，

一元函数g(x_j)表示像素x_j处的特征值，y是与输出图x同样尺寸的图,y_i表示输出图y上与像素x_i相对应的特征值，C(x)是归一化函数。

7.根据权利要求6所述的图像分割方法，其特征在于，所述non-local非局部模块处理后的输出图是指：

z_i＝W_zy_i+x_i

W_z表示non-local非局部模块中最后一个1*1*1卷积层。

8.一种基于改进的U-Net眼底视网膜血管图像分割装置，其特征在于，包括以下模块：

数据获取模块：用于获取待检测的视网膜血管图像；

图像分割模块：用于将所述视网膜血管图像输入训练好的改进的U-Net网络模型中进行图像分割；所述改进的U-Net网络模型结构为：

在全卷积网络U-Net的基础上，在所述全卷积网络U-Net的编码器和解码器之间增加NoL-block注意力模块，所述NoL-block注意力模块的结构包括Dropblock随机丢弃模块和non-local非局部模块，所述NoL-block注意力用于捕获在图像分割中有距离的像素之间在空间中的依赖关系所述编码器最后一个卷积块的输出经过NoL-block注意力模块后输入到所述解码器的第一个卷积块中进行上采样；

分割结果输出模块：用于输出视网膜血管图像分割结果。