1.一种OCT图像脉络膜新生血管分割方法,其特征在于,包括:
将待分割OCT图像输入脉络膜新生血管分割模型,输出待分割OCT图像的分割结果;所述脉络膜新生血管分割模型通过在TransUNet模型的每个卷积神经网络阶段与其对应解码器层间,均设置曲率KAN引导注意力模块得到;在每个卷积神经网络阶段后均设置一个异构特征对齐模块,将第个卷积神经网络阶段的局部特征图与第个视觉转换器阶段的全局特征图通过第个异构特征对齐模块,得到第个异构特征对齐模块的融合特征图,包括:将第个视觉转换器阶段的全局特征图依次通过可变形卷积、多级转置卷积、批归一化和激活函数处理,得到与第个卷积神经网络阶段的局部特征图大小一致的特征图,作为第个视觉转换器阶段的对齐特征图;其中,,为卷积神经网络阶段数;
将第个视觉转换器阶段的对齐特征图与第个卷积神经网络阶段的局部特征图拼接后,通过1×1卷积,得到第个异构特征对齐模块的融合特征图;
将第个异构特征对齐模块的融合特征图作为第个卷积神经网络阶段对应的曲率KAN引导注意力模块的输入;
其中,将曲率KAN引导注意力模块的输入特征图,通过其对应的曲率KAN引导注意力模块,提取该曲率KAN引导注意力模块的几何特征图,包括:将曲率KAN引导注意力模块的输入特征图,通过3×3的曲率卷积核,提取其对应的局部曲率特征图;
对于曲率KAN引导注意力模块的输入特征图对应的局部曲率特征图的每个通道,对该通道内所有空间位置的特征值求和,得到由各个通道的特征值总和构成的通道曲率权重向量;
对曲率KAN引导注意力模块的输入特征图对应的通道曲率权重向量,进行归一化处理后,通过KAN网络,优化通道曲率权重向量;
将曲率KAN引导注意力模块的输入特征图与其对应优化后的通道曲率权重向量逐元素相乘,得到该曲率KAN引导注意力模块的几何特征图。
2.根据权利要求1所述的一种OCT图像脉络膜新生血管分割方法,其特征在于,将待分割OCT图像输入脉络膜新生血管分割模型,输出待分割OCT图像的分割结果,包括:将待分割OCT图像通过卷积神经网络,提取个卷积神经网络阶段的局部特征图;
将第个卷积神经网络阶段的局部特征图下采样后,分割为多个patch块,对每个patch块进行线性映射后,嵌入位置信息,得到嵌入位置信息的 patch 序列;
将嵌入位置信息的 patch 序列通过视觉转换器,提取个视觉转换器阶段的全局特征图;
将第个卷积神经网络阶段的局部特征图与第个视觉转换器阶段的全局特征图通过第个异构特征对齐模块,得到第个异构特征对齐模块的融合特征图;其中,;
将每个异构特征对齐模块的融合特征图,通过其对应的曲率KAN引导注意力模块,提取每个曲率KAN引导注意力模块的几何特征图;
将第个视觉转换器阶段的全局特征图与每个曲率KAN引导注意力模块的几何特征图输入解码器,输出待分割OCT图像的分割结果。
3.根据权利要求2所述的一种OCT图像脉络膜新生血管分割方法,其特征在于,所述将第个视觉转换器阶段的全局特征图与每个曲率KAN引导注意力模块的几何特征图输入解码器,输出待分割OCT图像的分割结果,包括:将第个视觉转换器阶段的全局特征图依次通过转置卷积、批量归一化层和ReLU激活函数,得到第个视觉转换器阶段上采样后的全局特征图;
将第个视觉转换器阶段上采样后的全局特征图与第个曲率KAN引导注意力模块的几何特征图拼接后,通过两个级联的3×3卷积、批归一化层、ReLU激活函数,得到第个深层解码器层的输出特征图;
将第个深层解码器层的输出特征图依次通过转置卷积、批量归一化层和ReLU激活函数,得到上采样后第个深层解码器层的输出特征图;
将上采样后第个深层解码器层的输出特征图与第个曲率KAN引导注意力模块的几何特征图拼接后,通过两个级联的3×3卷积、批归一化层、ReLU激活函数,得到第个深层解码器层的目标特征图;其中,;
将第一个深层解码器层的目标特征图通过分割头,得到待分割OCT图像的分割结果。
4.根据权利要求2所述的一种OCT图像脉络膜新生血管分割方法,其特征在于,解码器还包括浅层解码器层,将第一个曲率KAN引导注意力模块的几何特征图、第二个曲率KAN引导注意力模块的几何特征图输入浅层解码器层,得到浅层特征图,包括:将第二个曲率KAN引导注意力模块的几何特征图依次通过双线性插值、批量归一化层和ReLU激活函数,得到第二个曲率KAN引导注意力模块上采样后的几何特征图;
将第二个曲率KAN引导注意力模块上采样后的几何特征图与第一个曲率KAN引导注意力模块的几何特征图拼接后,通过两个级联的3×3卷积、批归一化层、ReLU激活函数,得到浅层特征图;
将浅层特征图与第一个深层解码器层输出的特征图沿通道维度拼接后,通过分割头,得到待分割OCT图像的分割结果。
5.根据权利要求4所述的一种OCT图像脉络膜新生血管分割方法,其特征在于,分割头包括依次连接的3×3卷积与双线性插值。
6.根据权利要求2所述的一种OCT图像脉络膜新生血管分割方法,其特征在于,当时,将待分割OCT图像通过卷积神经网络,提取每个卷积神经网络阶段的局部特征图,包括:将待分割OCT图像通过依次连接的卷积核大小为7×7、步长为2的卷积、组归一化、ReLU激活函数,得到第一个卷积神经网络阶段的局部特征图;
将第一个卷积神经网络阶段的局部特征图依次通过核大小为3×3、步长为2的最大池化,组归一化、ReLU激活函数、步长为1的3×3卷积、组归一化、ReLU激活函数处理,得到第一阶段残差变换特征图;
将第一阶段残差变换特征图与第一个卷积神经网络阶段的局部特征图逐元素相加后,通过ReLU激活函数,得到第二个卷积神经网络阶段的局部特征图;
将第二个卷积神经网络阶段的局部特征图依次通过1×1卷积、组归一化、ReLU激活函数、步长为1的3×3卷积、组归一化、ReLU激活函数处理,得到第二阶段残差变换特征图;
将第二阶段残差变换特征图与第二个卷积神经网络阶段的局部特征图逐元素相加后,通过ReLU激活函数,得到第三个卷积神经网络阶段的局部特征图。
7.根据权利要求2所述的一种OCT图像脉络膜新生血管分割方法,其特征在于,每个视觉转换器阶段由三个Transformer层堆叠而成,每个Transformer层包括依次连接的多头自注意力模块、前馈神经网络。
8.根据权利要求1所述的一种OCT图像脉络膜新生血管分割方法,其特征在于,3×3的曲率卷积核的权重参数为:,
其中,为3×3的曲率卷积核的权重参数。
9.一种OCT图像脉络膜新生血管分割系统,其特征在于,包括:
存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现所述权利要求1至8中任一项所述一种OCT图像脉络膜新生血管分割方法的步骤。