[发明专利]一种基于门控注意力结构的眼底图像实例分割方法及系统

权利要求书

1.一种基于门控注意力结构的眼底图像实例分割方法，其特征在于，所述方法包括：

获取待使用的眼底图像；

利用门控分割模型对所述眼底图像进行图像分割，得到每个像素类别的概率；所述门控分割模型包括n层连续的下采样层和n层连续的上采样层，第n层下采样层与第一层上采样层连接：

采用所述门控分割模型对所述眼底图像进行连续n层降采样，得到n层降采样输出特征；

将第i层降采样输出特征与第n-i+1层的上采样层的输出特征输入门控注意力结构，得到第n-i+1层门控特征，并将第n-i+1层门控特征与第n-i+1层的上采样层的输出特征堆叠后输入第n-i+2层上采样层，；其中，将第1层降采样输出特征与第n层的上采样层的输出特征输入门控注意力结构，得到第n层门控特征，并将第n层门控特征与第n层的上采样层的输出特征堆叠，得到堆叠特征；

对所述堆叠特征进行分类卷积操作，得到每个像素的类别概率。

2.根据权利要求1所述的基于门控注意力结构的眼底图像实例分割方法，其特征在于，在所述获取待使用的眼底图像之后，还包括：

将所述待使用的眼底图像的无效黑边区域裁掉。

3.根据权利要求1所述的基于门控注意力结构的眼底图像实例分割方法，其特征在于，在所述获取待使用的眼底图像之后，还包括：

利用createCLAHE函数对所述待使用的眼底图像进行自适应直方图均衡化处理，得到均衡化图像；

利用resize函数将所述均衡化图像统一缩放到标准大小。

4.根据权利要求1所述的基于门控注意力结构的眼底图像实例分割方法，其特征在于，所述采用所述门控分割模型对所述眼底图像进行连续n层降采样，得到n层降采样输出特征，具体包括：

对所述眼底图像进行n次卷积操作、Relu函数激活操作和最大池化操作，得到n层降采样输出特征。

5.根据权利要求1所述的基于门控注意力结构的眼底图像实例分割方法，其特征在于，所述对所述堆叠特征进行分类卷积操作，得到每个像素的类别概率，具体包括：

对所述堆叠特征进行卷积操作，得到每个像素的类别概率；其中，c表示分类的类别数目。

6.根据权利要求1所述的基于门控注意力结构的眼底图像实例分割方法，其特征在于，在所述对所述堆叠特征进行分类卷积操作之后，还包括：

利用softmax归一化函数对卷积结果进行归一化。

7.根据权利要求1所述的基于门控注意力结构的眼底图像实例分割方法，其特征在于，所述将第i层降采样输出特征与第n-i+1层的上采样层的输出特征输入门控注意力结构，得到第n-i+1层门控特征，具体包括：

分别对第i层降采样输出特征和第n-i+1层的上采样层的输出特征进行1x1卷积操作，得到编码特征图和解码特征图；

将所述编码特征图和所述解码特征图中相对应的特征相加，得到叠加特征图；

对所述叠加特征图进行1x1x1卷积操作，得到卷积特征图；

将所述卷积特征图进行Sigmoid归一化，得到注意力权重矩阵；

将所述注意力权重矩阵与相应的所述输出特征进行点乘运算，得到第n-i+1层门控特征。

8.根据权利要求1所述的基于门控注意力结构的眼底图像实例分割方法，其特征在于，所述门控分割模型的训练过程，具体包括：

获取标注图像；所述标注图像为通过专业眼科医师标注过目标区域的图像；

利用所述标注图像训练基于门控注意力机制的网络模型，得到门控分割模型。

9.根据权利要求8所述的基于门控注意力结构的眼底图像实例分割方法，其特征在于，在训练过程中利用正向旋转、反向旋转、垂直翻转、水平翻转、随机裁剪、亮度变化、对比度变换以及高斯模糊的方法进行图像扩增。

10.一种基于门控注意力结构的眼底图像实例分割系统，其特征在于，所述系统包括：

数据获取单元，用于获取待使用的眼底图像；

病变分割单元，用于利用门控分割模型对所述眼底图像进行图像分割，得到病变概率：所述门控分割模型包括n层连续的下采样层和n层连续的上采样层，第n层下采样层与第一层上采样层连接；

降采样模块，用于采用所述门控分割模型对所述眼底图像进行连续n层降采样，得到n层降采样输出特征；

门控上采样模块，用于将第i层降采样输出特征与第n-i+1层的上采样层的输出特征输入门控注意力结构，得到第n-i+1层门控特征，并将第n-i+1层门控特征与第n-i+1层的上采样层的输出特征堆叠后输入第n-i+2层上采样层，；其中，将第1层降采样输出特征与第n层的上采样层的输出特征输入门控注意力结构，得到第n层门控特征，并将第n层门控特征与第n层的上采样层的输出特征堆叠，得到堆叠特征；

分割模块，用于对所述堆叠特征进行分类卷积操作，得到每个像素的类别概率。