1.一种基于改进U型网络的血管分割方法,其特征在于,包括如下步骤:S1:获取眼底图像数据集,对待分割眼底图像进行数据增强,得到预处理的眼底图像,将预处理后的眼底图像划分为训练集和测试集;
S2:构建眼底图像分割卷积神经网络模型,用于对眼底图像中视网膜血管进行精准分割,所述眼底图像分割卷积神经网络模型基于U-Net架构;所述眼底图像分割卷积神经网络模型的编码器采用双域带状注意力机制;
所述双域带状注意力机制主要由三个部分组成,1)全局平均池化提取全局特征;2)局部平均池化提取局部特征;3)最后将全局特征与局部特征进行特征融合,提取全局和局部的频域特征;
双域带状注意力模块结合全局带状注意力和局部带状注意力两种机制;所述双域带状注意力模块的公式表示如下:其中,表示输出的特征图,表示全局带状注意力机制,和表示卷积核大小为7和11的全局带状注意力机制;
其中,Split表示在通道维度上进行特征拆分,分别表示拆分后的两部分特征;
其中,和分别表示卷积核大小为7和11的局部带状注意力机制;[ , ]表示在通道维度上进行特征拼接,表示输出特征;
所述眼底图像分割卷积神经网络模型的解码器模块中引入Mamba轻量级解码器、全局特征融合机制以及空间通道注意力机制;
所述Mamba轻量级解码器为一残差上采样模块,包含规范化、激活和深度可分离卷积,通过残差连接将输入直接传递给输出;
在解码器的最后使用全局特征融合机制和空间通道注意力机制;所述全局特征融合机制通过全局上下文特征提取和卷积操作;所述空间通道注意力机制通过结合通道注意力和空间注意力调整特征图中的重要信息;
S3:使用预处理后的眼底图像对眼底图像分割卷积神经网络模型进行训练直至网络模型收敛;
S4:将待分割的眼底图像输入至训练好的眼底图像分割卷积神经网络模型中,得到眼底图像视网膜血管分割结果。
2.根据权利要求1所述的基于改进U型网络的血管分割方法,其特征在于,S1具体包括如下步骤:S1.1:从三个彩色眼底图像公共数据库DRIVE、STARE和CHASE_DB1中获取眼底图像;
S1.2:使用水平随机旋转、垂直随机旋转对原始数据集进行数据增强。
3.根据权利要求1所述的基于改进U型网络的血管分割方法,其特征在于,S2中所述眼底图像分割卷积神经网络模型中引入多尺度特征融合模块,通过1×1卷积、3×3卷积、3×3扩张卷积三种不同的卷积操作,提取输入特征图中的多尺度特征,并对提取的特征进行融合,接着使用批量归一化对融合后的特征进行标准化处理。
4.根据权利要求3所述的基于改进U型网络的血管分割方法,其特征在于,在第三层卷积之后,经过特征融合,继续使用双域带状注意力机制以增强特征图的表示能力。
5.根据权利要求4所述的基于改进U型网络的血管分割方法,其特征在于,所述眼底图像分割卷积神经网络模型中编码器由如下三部分组成:第一部分:输入层和隐藏层,所述输入层和隐藏层的每一层卷积结构均完全相同;在该部分中,特征图首先通过池化层进行下采样,然后通过卷积层进行特征提取,两者通过级联连接;
在每个卷积层后都进行了批次归一化操作,并且与LeakyRelu激活函数相连接,接着再进一步与Dropout层连接,将输入的一部分置零;
卷积层与池化层参数设置为:卷积核大小为3×3,步长为1,卷积核的数量依次为:32、64、96、128、256;池化层采用的是最大池化操作,其卷积核大小为2×2,步长为2;
第二部分:特征融合模块,通过标准卷积和膨胀卷积来融合输入特征;所述特征融合模块包括三个卷积层,输入特征图通过三个卷积层后相加,并连接批归一化层;具体的参数设置为:卷积核的大小分别是1、3、3,而膨胀卷积的膨胀率为2,填充分别为0、1、2;
特征融合模块公式表示如下:
其中,X为输入,Y为输出;
第三部分:双域带状注意力模块。
6.根据权利要求5所述的基于改进U型网络的血管分割方法,其特征在于,所述眼底图像分割卷积神经网络模型中解码器由如下三部分组成:第一部分:双上采样模块,其中隐藏层的输入为编码器最后一层经过特征融合后的输出;所述双上采样模块通过双线性插值将上一层特征图上采样到当前层特征图相同的空间尺寸,然后在通道维度上进行拼接,进一步通过卷积操作实现特征融合;参数设置为:卷积核大小为3×3,步幅为1,卷积核的数量分别为128、96、64、32;
在每个隐藏层后添加Mamba轻量级解码器,所述Mamba轻量级解码器为一残差上采样模块,其包括两个归一化层和一个Relu激活函数,然后通过深度卷积和点卷积的组合提取特征,残差连接将输入特征直接添加到卷积输出中,融合不同层次的特征;
第二部分:全局上下文模块,其通过简化非局部块的计算,将全局上下文特征有效地融合到图像特征中;所述全局上下文模块经过全局注意力池化、瓶颈变换和特征融合三阶段操作;参数设置为:简化非局部块卷积核大小为1×1,瓶颈比率为16;
所述全局上下文模块的公式表示如下:
其中,表示第i个位置的注意力权重,表示输入特征图中第i个位置的特征,表示卷积核大小为1×1的卷积操作,表示第m个特征图;
其中,( )表示瓶颈变换操作,表示全局上下文特征;
其中,表示输出特征图中第i个位置的特征,表示逐个元素相加;
第三部分:通道空间通道注意力机制,其通过结合通道注意力和空间注意力,改善分割精度;
所述通道注意力将解码器最后一层输出的特征图进行全局平均池化和全局最大池化操作,得到两个特征向量,通过共享全连接层生成通道注意力图;
所述空间注意力是将解码器最后一层输出特征图在通道方向上进行平均池化和最大池化,将生成的两个二维特征图进行拼接,最后通过一个7×7卷积层,生成空间注意力图;最后,使用sigmoid激活函数将这两个注意力图进行归一化。
7.根据权利要求5所述的基于改进U型网络的血管分割方法,其特征在于,所述眼底图像分割卷积神经网络模型在抹除高置信度预测的基础上引入频域学习模块。
8.根据权利要求7所述的基于改进U型网络的血管分割方法,其特征在于,所述眼底图像分割卷积神经网络模型中还包含泛化器,用于增强模型的泛化能力;
网络通过线索抹除机制,通过损失函数将置信度高于阈值的像素点随机设置为0,同时引入频域学习模块;
所述引入频域学习模块由高频图像表示模块和高频特征表示模块组成;
所述高频图像表示模块使用傅里叶变换将输入图像转换到频率域,应用高斯滤波来提取图像中的高频成分,再使用逆傅里叶变换将高频信息转换回图像空间;
所述高频特征表示模块用于对特征图的空间维度和通道维度做与前者相同的操作,通过提取特征图的高频信息;
所述频域学习模块的公式表示如下:
其中,表示提取高频分量,是高通滤波器,是逆傅里叶变换,表示输入特征,表示输出特征;
其中,表示在空间维度上进行逆傅里叶变换并提取高频分量,表示在空间维度上对输入特征进行傅里叶变换,表示输入特征;
其中,表示在通道维度上进行逆傅里叶变换并提取高频分量,表示在通道维度上对输入特征进行傅里叶变换。
9.根据权利要求1所述的基于改进U型网络的血管分割方法,其特征在于,S4步骤具体如下:将待分割的眼底图像输入至训练好的眼底图像分割卷积神经网络模型;
其中,训练网络设置训练数据Batchsize为4,设置网络学习率为0.0005,采用Adam优化器进行网络参数优化,损失函数采用Dice损失函数和正则化损失函数,经过5000次迭代训练后保存参数模型;
将目标域测试集输入到模型中,得到眼底图像视网膜血管分割结果。