1.一种基于多注意力U-Net全卷积网络的视网膜图像视盘提取方法,其特征在于,包括以下步骤:步骤S1:获取原始彩色视网膜图像,并采用最亮点提取及区域模糊最亮区域的方法进行感兴趣区域提取;
步骤S2:根据提取的感兴趣区域图像,采用RGB通道分离,并对分离后的红色通道图像进行直方图均衡化和标准化处理;
步骤S3:将红色通道图像,直方图均衡化图图像和标准化图像进行通道融合产生新的三通道图像;
步骤S4:基于多注意力U-Net全卷积网络,构建并训练视网膜图像视盘分割模型;
步骤S5:将通道融合后的图像数据输入视网膜视盘分割模型进行视网膜图像视盘提取分割;
所述步骤S2具体为:
步骤S21:根据红色通道对视盘区域的区分度最强特点,分离出红色通道;
步骤S22:将分离出来的红色通道图像进行直方图均衡化,进一步增强对比度;
步骤S23:将分离出来的红色通道图像进行标准化处理,使图像像素值数据中心化;
所述多注意力U-Net全卷积网络采用U-Net网络模型架构,具体为:采用空间注意力模块学习图像空间分量上信息,利用通道注意力模块学习图像通道分量上的信息并增加了模块化的DropBlock来缓解训练过程中的过拟合问题;网络包含模块化的DropBlock,批标准化层和RELU激活函数,池化层,上采样和短连接;图像经过网络处理后,生成通道为1的二值化与输入数据大小相同的预测分割图像,所述预测分割图像用于与真实分割图像计算损失函数输出值;
所述视网膜图像视盘分割模型由训练集数据经ROI提取后再做通道融合产生的图像数据在多注意力U-Net全卷积网络进行训练获得,具体为:首先,在模型训练的最初读取预先设定的参数信息;
然后,读取输入的图像列表,由于预处理后图像在输入网络时进行了二值化;在优化器优化学习率后,训练样本输入网络预测出分割图像,计算其与真值图像之间损失函数值;使用二分类交叉熵损失函数,同时为了缓解样本的不均衡问题,像素点的映射采用Sigmoid函数;
所述多注意力U-Net全卷积网络使用二分类交叉熵损失函数,像素点的映射采用Sigmoid函数,损失函数表示为:其中,P