基于特征增强与注意力融合的视网膜血管分割系统及方法

本发明涉及医学图像分割，尤其是指一种基于特征增强与注意力融合的视网膜血管分割系统及方法。

背景技术：

1、视网膜血管作为人体内唯一的可视血管，它的变化在一定程度上反映了一些器官的改变，所以医生会把它当作了解其他器官血管情况的窗口，但由于视网膜血管比较细，分支较多，单纯依靠医生医学经验进行手动分割费时费力且重复性高，还可能存在漏诊和误诊的情况。为了提高分制的效率和准确性，许多国内外研究人员一直致力于研究计算机自动分割视网膜血管。

2、在传统深度神经网络基于u-net的改进都很不错，由于眼底图像结构复杂，以及图像中存在不同规模的噪声、低对比度和空间分辨率等，大部分方法采用cnn卷积核有限的感受野来关注局部特征，来达到血管分割中更精细的细节效果。

3、然而，基于u-net网络进行视网膜血管图像分割仍存在以下问题：

4、一、u-net的原始卷积块的感受野大小是固定的，并且只能捕捉局部的上下文信息。在卷积和下采样过程中，可能会丢失很多关键细节信息。对于视网膜血管分割任务来说，原始卷积块无法适应不同尺度的血管结构，且不能充分考虑全局上下文关系。

5、二、跳跃连接作为u-net架构的关键，将编码端特征信息与解码端进行直接拼接，以恢复血管细节。但这种简单连接的跨尺度交互和语义传递能力有限。

6、三、随着网络深度的增加，较深层次的特征包含更丰富的信息，然而，全局跨层交互会引起计算成本的剧增，影响模型效率。

技术实现思路

1、为解决以上技术问题，为平衡效率与性能，需要设计一种融合机制，高效地增强跨尺度语义交互，从而弥合编码器和解码器之间的语义鸿沟。因此，本发明提供了一种基于特征增强与注意力融合的视网膜血管分割系统，该系统包括以下模块：

2、训练数据集获取模块，用于获取视网膜血管图像数据集，并对所述数据集进行预处理和数据扩充，得到扩充后的数据集，将所述扩充后的数据集划分为训练集和验证集；

3、模型训练模块，用于将所述训练集输入到基于u-net网络改进的wfa-net模型进行迭代训练，得到权重参数；其中，所述wfa-net模型包括编码器结构和解码器结构，所述编码器结构包括多个wf_conv卷积块和pam+模块，所述解码器结构包括若干个交错连接的affm模块和wf_conv卷积块，所述编码器结构的底部通过pam+模块与所述解码器结构连接，所述编码器结构中的每个wf_conv卷积块对应连接至每个affm模块；

4、分割结果输出模块，用于将所述权重参数加载到所述wfa-net模型中，针对待分割的视网膜血管图像，运行所述wfa-net模型得到分割结果。

5、在本发明的一个实施例中，对所述数据集进行预处理包括：选取噪声和光照干扰最小的通道，对提取的单通道图像使用对比度受限的自适应直方图均衡化算法进行预处理。

6、在本发明的一个实施例中，所述wf_conv卷积块用于将输入特征层分别依次经过卷积层、批归一化层、relu激活层、wf权重提取模块输出的第一特征层和依次经过卷积层、批归一化层、relu激活层、wf权重提取模块、卷积层、批归一化层、relu激活层的第二特征层进行乘性变化得到下一层网络的输入。

7、在本发明的一个实施例中，所述pam+模块用于将位置注意力和注意力加权的特征映射进行一次矩阵乘法输出特征图fpam+：

8、

9、其中，α表示对pam+模块的重视程度，初始化为0，并在逐渐学习中分配更多的权重，h、w分别代表高度和宽度，i、j表示位置，fj表示输入的恒等映射，表示位置注意力，表示注意力加权的特征映射。

10、在本发明的一个实施例中，所述位置注意力的计算方法为：

11、

12、其中，表示输入特征f∈rc×h×w通过pam+模块的第一个支路a的卷积操作进行通道压缩得到的特征图，表示输入特征f∈rc×h×w通过pam+模块的第二个支路b的卷积操作进行通道压缩得到的特征图，c、h、w分别代表通道数、高度和宽度，c0＝λc，λ表示压缩因子。

13、在本发明的一个实施例中，所述注意力加权的特征映射的计算方式为：

14、

15、其中，表示位置注意力，表示输入特征f∈rc×h×w通过pam+模块的第三个支路c的卷积操作进行通道压缩得到的特征图。

16、在本发明的一个实施例中，所述affm模块用于对两个输入特征进行特征融合，得到加强特征图，具体方法为：

17、将具有低级语义信息的输入特征x输入单独具有通道注意力的nam中，生成低级特征图x'∈rc×h×w：

18、x'＝δ(wλ(bn(x)))·x

19、将低级特征图x'∈rc×h×w与另一个输入特征y进行加性融合，生成通道数为2c的特征图μ∈r2c×h×w；

20、利用relu函数对特征图μ∈r2c×h×w进行重新加权，重新加权后的特征图通过一个全连接层，对特征进行精炼，利用sigmoid函数对特征的通道进行重新加权，获得通道注意特征向量s∈r2c×1×1；

21、将通道注意特征向量s∈r2c×1×1与特征图μ∈r2c×h×w进行加权，生成加强特征图z∈r2c×h×w；

22、其中，δ代表sigmoid函数，bn代表批归一化层，w表示计算的权重，λ表示通道缩放比，c、h、w分别代表通道数、高度和宽度。

23、基于同一发明构思，本发明还提供一种基于特征增强与注意力融合的视网膜血管分割方法，包括：

24、s1：获取视网膜血管图像数据集，并对所述数据集进行预处理和数据扩充，得到扩充后的数据集，将所述扩充后的数据集划分为训练集和验证集；

25、s2：将所述训练集输入到基于u-net网络改进的wfa-net模型进行迭代训练，得到权重参数；

26、s3：将所述权重参数加载到所述wfa-net模型中，针对待分割的视网膜血管图像，运行所述wfa-net模型得到分割结果；

27、其中，所述wfa-net模型包括编码器结构和解码器结构，所述编码器结构包括多个wf_conv卷积块和pam+模块，所述解码器结构包括若干个交错连接的affm模块和wf_conv卷积块，所述编码器结构的底部通过pam+模块与所述解码器结构连接，所述编码器结构中的每个wf_conv卷积块对应连接至每个affm模块。

28、本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述的基于特征增强与注意力融合的视网膜血管分割方法的指令。

29、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现任一项所述的基于特征增强与注意力融合的视网膜血管分割方法。

30、本发明的上述技术方案相比现有技术具有以下优点：

31、一、本发明提出了权重融合卷积块(wf_conv)，将u-net的卷积块替换为wf_conv卷积块，弥补原始卷积关键信息提取不足。

32、二、为了使网络保留眼底关键信息而剔除无关背景信息，在网络底部添加改进后的pam+注意力模块，从而达到提高特征表达能力的目的。

33、三、为了增强特征融合，本发明设计了注意特征融合模块(affm)，缓解了之前通过跨层方式将编码器中浅层的低级特征与解码器中的高级特征直接连接造成的信息丢失和模糊。