1.基于改进U‑Net网络的视网膜图像血管分割方法,其特征在于,具体步骤为:步骤1:获取公开的彩色视网膜眼底血管分割数据集DRIVE;
步骤2:随机划分原始数据集,验证集取20张和测试集取20张;
步骤3:对步骤2的训练集眼底图像预处理,提高图像对比度突出视网膜血管细节特征;
步骤4:对步骤3预处理后的图像,进行数据扩增处理,采用随机裁剪,加入高斯噪声,水平、垂直和对角线翻转等方式来处理数据;
步骤5:设计密集卷积块,利用密集卷积块替代传统卷积块以实现特征复用、提高模型的特征提取能力;
步骤6:引入DropBlock块来正则化网络,缓解卷积网络中的过拟合问题;
步骤7:构建注意力机制模块,强化目标特征信息,抑制无用特征信息;
步骤8:使用Tensorflow深度学习框架搭建GAB‑D2BUNet网络;
步骤9:将增强后的训练数据集输入到步骤7所建立的分割网络中,进行模型的训练;模型训练过程中设置Batchsize为5,设置网络学习率为0.0001,DropBlock阈值概率设为0.8,丢弃块block_size大小为7,选择Adam优化器进行网络参数优化,采用交叉熵损失函数计算损失,epoch大小设为100;
步骤10:按照步骤8的参数配置训练模型,最后保存训练完成后的模型参数;
步骤11:引入模型框架,加载步骤9保存的模型参数,得到训练好的血管分割模型,利用步骤2随机划分的测试集输入到该模型中,获取最终的分割图。