CN115205300A - 基于空洞卷积和语义融合的眼底血管图像分割方法与*** - Google Patents

基于空洞卷积和语义融合的眼底血管图像分割方法与*** Download PDF

Info

Publication number
CN115205300A
CN115205300A CN202211134660.XA CN202211134660A CN115205300A CN 115205300 A CN115205300 A CN 115205300A CN 202211134660 A CN202211134660 A CN 202211134660A CN 115205300 A CN115205300 A CN 115205300A
Authority
CN
China
Prior art keywords
image
blood vessel
feature
fundus blood
vessel image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211134660.XA
Other languages
English (en)
Other versions
CN115205300B (zh
Inventor
张红斌
钟翔
李志杰
胡朗
袁梦
李广丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China Jiaotong University
Original Assignee
East China Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN202211134660.XA priority Critical patent/CN115205300B/zh
Publication of CN115205300A publication Critical patent/CN115205300A/zh
Application granted granted Critical
Publication of CN115205300B publication Critical patent/CN115205300B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/60—Rotation of whole images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明提出一种基于空洞卷积和语义融合的眼底血管图像分割方法与***，包括：获取眼底血管图像数据集，从眼底血管图像数据集中获取眼底血管图像并进行预处理；基于U‑Net模型进行改进以得到改进神经网络；在改进神经网络的跳跃连接部分设计一个多层多尺度空洞卷积结构；在改进神经网络的解码部分设计一个语义融合结构；执行连续三次卷积操作以得到待分割图像，对待分割图像中的像素进行二分类判别，以对眼底血管图像进行分割，并得到一个改进的神经网络模型；根据第一损失函数，对改进的神经网络模型进行辅助训练与测试。本发明能准确有效地对眼底血管图像进行分割，辅助医生的临床诊断工作进而实现高质量的医疗服务。

Description

基于空洞卷积和语义融合的眼底血管图像分割方法与***
技术领域
本发明涉及计算机图像技术领域，特别涉及一种基于空洞卷积和语义融合的眼底血管图像分割方法与***。
背景技术
对人体而言，眼睛是全身唯一能在直视下窥见血管和神经的器官，并且视网膜的循环与脑部及冠脉循环有着相同的解剖生理特征。因此，眼底已成为观察心脑血管、眼球等相关疾病非常重要的窗口。然而，由于人工诊断耗时耗力且效率低，因此借助计算机辅助诊断（Computer-aided Diagnosis，CAD）是提高医生工作效率与诊断精度的重要手段。精细、准确的眼底血管图像分割能辅助医生更好地观察上述疾病，进而做出正确的诊断决策。因此，眼底血管图像分割技术具有较强的临床应用价值，能切实提高医疗服务水平，推动医工深度融合。
现有眼底血管图像分割方法大多基于U-Net网络，取得了较好的分割性能，有力地推动了基于CAD的智能诊断发展，但现有工作存在如下弊端：（1）图像特征受限于有限感受野，眼底血管图像中局部特征提取不充分；（2）由于仅采用卷积操作，眼底血管图像中上下文信息偏少，导致不能准确、完整地分割目标血管；（3）解码器中连续上采样不可避免地丢失了一些血管细节信息。为应对上述问题，应尽可能保留图像中血管细节，从而向医生提供直观的临床诊断信息。
基于此，有必要设计出一种先进高效的眼底血管图像分割方法，以实现兼顾全局上下文信息和来自不同感受野的局部特征，同时尽可能减少细节信息丢失，最终提升眼底血管分割精度，向医生提供更为准确完整的分割结果。
发明内容
鉴于上述状况，本发明的主要目的是为了提出一种基于空洞卷积和语义融合的眼底血管图像分割方法与***，以解决上述技术问题。
本发明实施例提出一种基于空洞卷积和语义融合的眼底血管图像分割方法，其中，所述方法包括如下步骤：
步骤一，获取眼底血管图像数据集，从所述眼底血管图像数据集中获取眼底血管图像，并对所述眼底血管图像进行预处理；
步骤二，基于U-Net模型进行改进设计，以得到改进神经网络；
步骤三，在进行改进设计时，在所述改进神经网络的跳跃连接部分设计一个多层多尺度空洞卷积结构，所述多层多尺度空洞卷积结构用于跨越所述改进神经网络的编码部分与解码部分，以保护眼底血管中的细节信息；
步骤四，在所述改进神经网络的解码部分设计一个语义融合结构，所述语义融合结构用于对解码后的多尺度图像特征进行拼接，并构建成对挤压激励模块，根据所述挤压激励模块对拼接后的多尺度图像特征进行关键信息筛选以最终得到多尺度图像特征融合结果；
步骤五，对所述多尺度图像特征融合结果执行连续三次卷积操作以得到待分割图像，对所述待分割图像中的像素进行二分类判别，以对眼底血管图像进行分割，并得到一个改进的神经网络模型；
步骤六，根据第一损失函数，对所述改进的神经网络模型进行辅助训练，以对训练后的神经网络模型进行测试，从而最终完成眼底血管图像的分割与验证；
所述第一损失函数的表达式为：
Figure 923032DEST_PATH_IMAGE001
其中，
Figure 564229DEST_PATH_IMAGE002
表示第一损失函数，
Figure 516004DEST_PATH_IMAGE003
表示数据总类别数量，
Figure 644366DEST_PATH_IMAGE004
表示类别k的真阳值，
Figure 226657DEST_PATH_IMAGE005
表示类别k的假阴值，
Figure 683046DEST_PATH_IMAGE006
表示像素属于类别k的数量，
Figure 313879DEST_PATH_IMAGE007
，
Figure 172114DEST_PATH_IMAGE008
表示类别k的几何平均置信度，
Figure 109327DEST_PATH_IMAGE009
表示类别k的召回率，
Figure 53012DEST_PATH_IMAGE010
表示输入的训练数据在所有类别上的预测最大值分布，
Figure 221956DEST_PATH_IMAGE011
表示标签为类别k的样本集，
Figure 934698DEST_PATH_IMAGE012
表示训练数据的标签数据，
Figure 45742DEST_PATH_IMAGE013
表示训练数据的序号。
所述基于空洞卷积和语义融合的眼底血管图像分割方法，其中，在所述步骤一中，所述眼底血管图像数据集包括STARE数据集、DRIVE数据集以及CHASEDB1数据集；
对所述眼底血管图像进行预处理的方法包括如下步骤：
将所述眼底血管图像的尺寸统一裁剪至512×512，然后进行图像翻转、图像旋转以及图像高斯模糊操作完成预处理。
所述基于空洞卷积和语义融合的眼底血管图像分割方法，其中，在所述步骤三中，所述多层多尺度空洞卷积结构包括上层图像特征、中层图像特征以及下层图像特征；
其中，对上层图像特征、中层图像特征以及下层图像特征执行包含不同尺度卷积率的级联式空洞卷积。
所述基于空洞卷积和语义融合的眼底血管图像分割方法，其中，对上层图像特征、中层图像特征以及下层图像特征执行包含不同尺度卷积率的级联式空洞卷积的方法包括如下步骤：
对所述上层图像特征执行感受野逐步扩张的级联式空洞卷积，经卷积得到上层图像特征对应的空洞卷积特征，再对空洞卷积特征执行最大池化操作，以获得大尺寸图像的局部特征；
将所述中层图像特征对应的眼底血管图像分割成固定大小的图像块，通过扁平化操作对图像块进行矢量化，执行线性映射将矢量化的图像块转换成低维线性嵌入特征；将所述低维线性嵌入特征输入至Transformer模块中连续12个Transformer层中继续执行线性映射，并进行自注意力加权；对所述低维线性嵌入特征添加位置编码，以建模得到眼底血管图像中的长距离依赖关系，并提取得到图像全局特征；
对所述下层图像特征执行感受野逐步扩张的级联式空洞卷积，然后执行双线性插值将所述下层图像特征提升至与所述中层图像特征相同的尺寸，以获得小尺寸图像的局部特征；
将所述大尺寸图像的局部特征、所述图像全局特征以及所述小尺寸图像的局部特征进行相加以完成特征融合。
所述基于空洞卷积和语义融合的眼底血管图像分割方法，其中，对所述中层图像特征进行处理的步骤中，存在如下公式：
Figure 742302DEST_PATH_IMAGE014
其中，
Figure 714938DEST_PATH_IMAGE015
表示低维线性嵌入特征，
Figure 282185DEST_PATH_IMAGE016
表示执行线性映射的矩阵，
Figure 564131DEST_PATH_IMAGE017
表示位置编码，
Figure 482408DEST_PATH_IMAGE018
表示第
Figure 993155DEST_PATH_IMAGE019
个图像块，
Figure 883751DEST_PATH_IMAGE020
；
所述Transformer层包括规范化层、多头自注意力以及多层感知器，第
Figure 133335DEST_PATH_IMAGE021
个Transformer层的特征变换对应的公式表示为：
Figure 476592DEST_PATH_IMAGE022
Figure 181243DEST_PATH_IMAGE023
其中，
Figure 598449DEST_PATH_IMAGE024
表示经过第
Figure 97563DEST_PATH_IMAGE021
个Transformer层编码后得到的图像特征，
Figure 852417DEST_PATH_IMAGE025
表示经多头注意力加权得到的图像特征，
Figure 829601DEST_PATH_IMAGE026
表示输入图像序列的线性嵌入特征，
Figure 366892DEST_PATH_IMAGE027
表示多层感知器操作，
Figure 36908DEST_PATH_IMAGE028
表示多头自注意力操作，
Figure 541708DEST_PATH_IMAGE029
表示规范化层操作。
所述基于空洞卷积和语义融合的眼底血管图像分割方法，其中，在所述步骤四中，所述语义融合结构对解码后的多尺度图像特征进行拼接的方法包括如下步骤：
语义融合结构对所述改进神经网络的解码部分输出的各层图像特征进行上采样，并恢复为与原始输入图像大小一致，以得到第一上采样特征图
Figure 322582DEST_PATH_IMAGE030
、第二上采样特征图
Figure 714380DEST_PATH_IMAGE031
、第三上采样特征图
Figure 555297DEST_PATH_IMAGE032
以及第四上采样特征图
Figure 281813DEST_PATH_IMAGE033
；
结合所述改进神经网络的编码部分的特征图
Figure 69641DEST_PATH_IMAGE034
，与上述第一上采样特征图
Figure 440579DEST_PATH_IMAGE030
、第二上采样特征图
Figure 327764DEST_PATH_IMAGE031
、第三上采样特征图
Figure 151363DEST_PATH_IMAGE032
以及第四上采样特征图
Figure 664253DEST_PATH_IMAGE033
进行拼接得到新特征图
Figure 889698DEST_PATH_IMAGE035
；
其中，新特征图
Figure 213363DEST_PATH_IMAGE036
。
所述基于空洞卷积和语义融合的眼底血管图像分割方法，其中，在得到了所述新特征图
Figure 789838DEST_PATH_IMAGE035
之后，所述方法还包括：
将所述新特征图
Figure 837910DEST_PATH_IMAGE035
输入至挤压激励模块中，连续执行两个SE操作，以层次化方式筛选所述新特征图
Figure 917861DEST_PATH_IMAGE035
中的关键信息；
其中，所述SE操作包括全局平均池化操作、非线性激活操作以及特征通道加权操作；
所述全局平均池化操作包括如下步骤：
对所述新特征图
Figure 412428DEST_PATH_IMAGE035
的每个通道进行全局平均池化运算以得到特征向量m，其中所述新特征图
Figure 210620DEST_PATH_IMAGE035
的属性为
Figure 799733DEST_PATH_IMAGE037
；
进行全局平均池化运算以得到特征向量m的公式表示为：
Figure 734191DEST_PATH_IMAGE038
其中，
Figure 399658DEST_PATH_IMAGE039
表示新特征图
Figure 419567DEST_PATH_IMAGE035
的高度，
Figure 874688DEST_PATH_IMAGE040
表示新特征图
Figure 132494DEST_PATH_IMAGE035
的宽度，
Figure 703284DEST_PATH_IMAGE041
表示新特征图
Figure 476068DEST_PATH_IMAGE035
的通道数，
Figure 672563DEST_PATH_IMAGE042
表示新特征图
Figure 581613DEST_PATH_IMAGE035
中第
Figure 588883DEST_PATH_IMAGE043
个通道的全局信息的压缩表示，
Figure 583384DEST_PATH_IMAGE019
表示针对新特征图
Figure 586499DEST_PATH_IMAGE035
的高度的取值，
Figure 615635DEST_PATH_IMAGE044
表示针对新特征图
Figure 528228DEST_PATH_IMAGE035
的宽度的取值，
Figure 275604DEST_PATH_IMAGE045
。
所述基于空洞卷积和语义融合的眼底血管图像分割方法，其中，所述非线性激活操作包括如下步骤：
利用两个全连接层对不同通道之间新特征图的相关性进行建模；其中，第一个全连接层在非线性激活后将特征向量m的维度降低到原来的1/r，第二个全连接层将特征向量m维度增加到原始维度，通过sigmoid函数将特征向量m的特征权值归一化为[0,1]；
非线性激活操作的公式表示为：
Figure 79481DEST_PATH_IMAGE046
其中，
Figure 963123DEST_PATH_IMAGE047
表示特征权值向量，
Figure 46617DEST_PATH_IMAGE048
表示 sigmoid函数，
Figure 15710DEST_PATH_IMAGE049
表示第一个全连接层的参数，
Figure 357698DEST_PATH_IMAGE050
表示第二个全连接层的参数，
Figure 299109DEST_PATH_IMAGE051
表示经过全局池化后的特征向量，
Figure 615821DEST_PATH_IMAGE052
表示ReLU非线性激活函数。
所述基于空洞卷积和语义融合的眼底血管图像分割方法，其中，所述特征通道加权操作包括如下步骤：
采用特征权值向量
Figure 72210DEST_PATH_IMAGE053
对所述新特征图
Figure 30939DEST_PATH_IMAGE035
中的每个特征通道分别执行乘法加权，对应的公式表示为：
Figure 13807DEST_PATH_IMAGE054
其中，
Figure 829317DEST_PATH_IMAGE055
表示加权后得到的特征通道，
Figure 382789DEST_PATH_IMAGE056
表示新特征图
Figure 941946DEST_PATH_IMAGE035
中第
Figure 612329DEST_PATH_IMAGE043
个通道对应的特征权值向量。
本发明还提出一种基于空洞卷积和语义融合的眼底血管图像分割***，其中，所述***包括：
图像获取模块，用于：
获取眼底血管图像数据集，从所述眼底血管图像数据集中获取眼底血管图像，并对所述眼底血管图像进行预处理；
模型改进模块，用于：
基于U-Net模型进行改进设计，以得到改进神经网络；
第一设计模块，用于：
在进行改进设计时，在所述改进神经网络的跳跃连接部分设计一个多层多尺度空洞卷积结构，所述多层多尺度空洞卷积结构用于跨越所述改进神经网络的编码部分与解码部分，以保护眼底血管中的细节信息；
第二设计模块，用于：
在所述改进神经网络的解码部分设计一个语义融合结构，所述语义融合结构用于对解码后的多尺度图像特征进行拼接，并构建成对挤压激励模块，根据所述挤压激励模块对拼接后的多尺度图像特征进行关键信息筛选以最终得到多尺度图像特征融合结果；
图像分割模块，用于：
对所述多尺度图像特征融合结果执行连续三次卷积操作以得到待分割图像，对所述待分割图像中的像素进行二分类判别，以对眼底血管图像进行分割，并得到一个改进的神经网络模型；
辅助训练模块，用于根据第一损失函数，对所述改进的神经网络模型进行辅助训练，以对训练后的神经网络模型进行测试，从而最终完成眼底血管图像的分割与验证；
其中，所述第一损失函数的表达式为：
Figure 864319DEST_PATH_IMAGE001
其中，
Figure 170666DEST_PATH_IMAGE002
表示第一损失函数，
Figure 267935DEST_PATH_IMAGE003
表示数据总类别数量，
Figure 959817DEST_PATH_IMAGE004
表示类别k的真阳值，
Figure 320391DEST_PATH_IMAGE005
表示类别k的假阴值，
Figure 645193DEST_PATH_IMAGE006
表示像素属于类别k的数量，
Figure 749415DEST_PATH_IMAGE007
，
Figure 436748DEST_PATH_IMAGE008
表示类别k的几何平均置信度，
Figure 889595DEST_PATH_IMAGE009
表示类别k的召回率，
Figure 29590DEST_PATH_IMAGE010
表示输入的训练数据在所有类别上的预测最大值分布，
Figure 609607DEST_PATH_IMAGE011
表示标签为类别k的样本集，
Figure 151447DEST_PATH_IMAGE012
表示训练数据的标签数据，
Figure 775195DEST_PATH_IMAGE013
表示训练数据的序号。
本发明提出一种基于空洞卷积和语义融合的眼底血管图像分割方法，具有如下有益效果：
（1）、本发明能准确有效地对眼底血管图像进行分割，辅助医生的临床诊断工作进而实现高质量的医疗服务；
（2）、本发明提出的融合Transformer模块的多层多尺度空洞卷积结构具备高效、轻便以及可移植性强等优点，可将该多层多尺度空洞卷积结构迁移到其它需要逐步扩张图像感受野或需联合全局特征和局部特征的视觉分析任务，如目标检测、区域定位等，以发挥更大作用；
（3）、本发明提出的语义融合结构，具备高效、轻便以及可移植性强等优点，可将该语义融合结构迁移到其它需要进行多尺度图像特征融合或特征精选的视觉分析任务中，如肿瘤图像识别与图像情感分析等，以发挥更大作用；
（4）、从患者角度而言，精准的医学诊疗可缩短患者就诊时间，为提高病症的治愈率创造有利的时间条件，有助于改善人们的生活质量，创造良好的社会效益。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实施例了解到。
附图说明
图1为本发明提出的一种基于空洞卷积和语义融合的眼底血管图像分割方法的流程图；
图2为本发明提出的一种基于空洞卷积和语义融合的眼底血管图像分割方法中各模块细化的结构图；
图3是本发明提出的一种基于空洞卷积和语义融合的眼底血管图像分割方法的模型图；
图4为本发明提出的一种基于空洞卷积和语义融合的眼底血管图像分割***的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
参照下面的描述和附图，将清楚本发明的实施例的这些和其他方面。在这些描述和附图中，具体公开了本发明的实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
请参阅图1至图3，本发明提出一种基于空洞卷积和语义融合的眼底血管图像分割方法，所述方法包括如下步骤：
S101，获取眼底血管图像数据集，从所述眼底血管图像数据集中获取眼底血管图像，并对所述眼底血管图像进行预处理。
在步骤S101中，眼底血管图像数据集包括STARE数据集、DRIVE数据集以及CHASEDB1数据集。
具体的，对眼底血管图像进行预处理的方法包括如下步骤：
将眼底血管图像的尺寸统一裁剪至512×512，然后进行图像翻转、图像旋转以及图像高斯模糊操作完成预处理，以最终将原眼底血管图像数据集扩充至原数据集的18倍。
S102，基于U-Net模型进行改进设计，以得到改进神经网络。
在具体实施中，应用U-Net模型，编码部分保留其原型，它包括四层连续的下采样操作，每层下采样操作执行连续两次3×3卷积。本发明对U-Net模型的其它部分进行重新改进设计，具体如步骤S103、步骤S104以及步骤S105所述。
S103，在进行改进设计时，在所述改进神经网络的跳跃连接部分设计一个多层多尺度空洞卷积结构，所述多层多尺度空洞卷积结构用于跨越所述改进神经网络的编码部分与解码部分，以保护眼底血管中的细节信息。
在步骤S103中，多层多尺度空洞卷积结构包括上层图像特征、中层图像特征以及下层图像特征。其中，对上层图像特征、中层图像特征以及下层图像特征执行包含不同尺度卷积率的级联式空洞卷积。
具体的，对上层图像特征、中层图像特征以及下层图像特征执行包含不同尺度卷积率的级联式空洞卷积的方法包括如下步骤：
S1031，对上层图像特征执行感受野逐步扩张的级联式空洞卷积，经卷积得到上层图像特征对应的空洞卷积特征，再对空洞卷积特征执行最大池化操作，以获得大尺寸图像的局部特征。
如图2中（a）部分所示，上层图像特征执行级联式空洞卷积的过程，上层图像特征经过3个不同尺度的3×3空洞卷积，空洞卷积率分别为1、（1，3）和（1，3，5）。采用空洞率为1、3、5的空洞卷积逐步级联以获取空洞率为3、9、19的感受野。因此，上层图像的感受野在不断扩大，为准确完整地分割目标血管奠定重要基础。此外，执行级联式空洞卷积得到3个能展示不同感受野的图像特征，将每个图像特征分别与自身进行1×1卷积，再融合相加1×1卷积结果，得到上层图像特征对应的空洞卷积特征。最后，对空洞卷积特征执行最大池化操作，将其缩减至与中层图像特征相同的尺寸，从而获取来自大尺寸图像的局部特征。
S1032，将中层图像特征对应的眼底血管图像分割成固定大小的图像块，通过扁平化操作对图像块进行矢量化，执行线性映射将矢量化的图像块转换成低维线性嵌入特征；将低维线性嵌入特征输入至Transformer模块中连续12个Transformer层中继续执行线性映射，并进行自注意力加权；对低维线性嵌入特征添加位置编码，以建模得到眼底血管图像中的长距离依赖关系，并提取得到图像全局特征。
对所述中层图像特征进行处理的步骤中，存在如下公式：
Figure 402485DEST_PATH_IMAGE014
其中，
Figure 520614DEST_PATH_IMAGE015
表示低维线性嵌入特征，
Figure 385802DEST_PATH_IMAGE016
表示执行线性映射的矩阵，
Figure 55817DEST_PATH_IMAGE017
表示位置编码，
Figure 32388DEST_PATH_IMAGE057
表示第
Figure 78842DEST_PATH_IMAGE019
个图像块，
Figure 470640DEST_PATH_IMAGE020
。
如图2中（b）部分所示，所述Transformer层包括规范化层、多头自注意力以及多层感知器，第
Figure 311557DEST_PATH_IMAGE021
个Transformer层的特征变换对应的公式表示为：
Figure 38073DEST_PATH_IMAGE022
Figure 622638DEST_PATH_IMAGE023
其中，
Figure 868943DEST_PATH_IMAGE024
表示经过第
Figure 880762DEST_PATH_IMAGE021
个Transformer层编码后得到的图像特征，
Figure 94574DEST_PATH_IMAGE058
表示经多头注意力加权得到的图像特征，
Figure 217251DEST_PATH_IMAGE026
表示输入图像序列的线性嵌入特征，
Figure 583641DEST_PATH_IMAGE027
表示多层感知器操作，
Figure 766361DEST_PATH_IMAGE028
表示多头自注意力操作，
Figure 280519DEST_PATH_IMAGE029
表示规范化层操作。
可以理解的，由于MSA和MLP的使用，Transformer模块可建模眼底血管图像中的长距离依赖关系，进一步提取图像细节并捕获图像全局特征，更好地用于眼底血管分割。最后，经过图像恢复层中的3×3卷积操作将图像特征重塑为其原始大小。
S1033，对所述下层图像特征执行感受野逐步扩张的级联式空洞卷积，然后执行双线性插值将所述下层图像特征提升至与所述中层图像特征相同的尺寸，以获得小尺寸图像的局部特征。
如图2中的（a）部分所示，下层图像特征执行级联式空洞卷积的过程，下层图像特征经过3个不同尺度的3×3空洞卷积，空洞卷积率分别为1、（1，3）和（1，3，5）。采用空洞率为1、3、5的空洞卷积逐步级联以获取空洞率为3 、9、19的感受野。因此，下层图像的感受野在不断扩大，为准确完整地分割目标血管奠定重要基础。
此外，执行级联式空洞卷积得到3个能展示不同感受野的图像特征，将每个图像特征分别与自身进行1×1卷积，再融合相加1×1卷积结果，得到下层图像特征对应的空洞卷积特征。最后，对空洞卷积特征执行双线性插值操作，将其提升至与中层图像特征相同的尺寸，从而获取小尺寸图像的局部特征。
S1034，将大尺寸图像的局部特征、图像全局特征以及小尺寸图像的局部特征进行相加以完成特征融合。
在本步骤中，上层图像特征、中层图像特征以及下层图像特征进行融合的物理含义为：既考虑来自Transformer模块输出的图像全局特征，又考虑来自级联式空洞卷积模块输出的图像局部特征，全局特征与局部特征形成互补，能更全面地刻画眼底血管细节。融合后图像特征的尺寸与原始图像尺寸相同，即跳跃连接两端的输入和输出尺寸相同。
S104，在所述改进神经网络的解码部分设计一个语义融合结构，所述语义融合结构用于对解码后的多尺度图像特征进行拼接，并构建成对挤压激励模块，根据所述挤压激励模块对拼接后的多尺度图像特征进行关键信息筛选以最终得到多尺度图像特征融合结果。
在步骤S104中，所述语义融合结构对解码后的多尺度图像特征进行拼接的方法包括如下步骤：
语义融合结构对所述改进神经网络的解码部分输出的各层图像特征进行上采样，并恢复为与原始输入图像大小一致，以得到第一上采样特征图
Figure 331520DEST_PATH_IMAGE030
、第二上采样特征图
Figure 677051DEST_PATH_IMAGE031
、第三上采样特征图
Figure 906038DEST_PATH_IMAGE032
以及第四上采样特征图
Figure 704230DEST_PATH_IMAGE033
；
结合所述改进神经网络的编码部分的特征图
Figure 555993DEST_PATH_IMAGE034
，与上述第一上采样特征图
Figure 756030DEST_PATH_IMAGE030
、第二上采样特征图
Figure 155918DEST_PATH_IMAGE031
、第三上采样特征图
Figure 441406DEST_PATH_IMAGE032
以及第四上采样特征图
Figure 365369DEST_PATH_IMAGE033
进行拼接得到新特征图
Figure 419912DEST_PATH_IMAGE035
；
其中，新特征图
Figure 990702DEST_PATH_IMAGE036
。
在得到了新特征图
Figure 763486DEST_PATH_IMAGE035
之后，新特征图
Figure 959981DEST_PATH_IMAGE035
考虑了来自不同层图像特征之间的互补信息，有助于更全面地刻画图像中的血管细节。
进一步的，将新特征图
Figure 72293DEST_PATH_IMAGE035
输入至挤压激励模块中，连续执行两个SE操作，以层次化方式筛选所述新特征图
Figure 204198DEST_PATH_IMAGE035
中的关键信息。其中，所述SE操作包括全局平均池化操作、非线性激活操作以及特征通道加权操作。
其中，包含320个特征通道的新特征图
Figure 74065DEST_PATH_IMAGE035
在执行第一次SE操作后，可筛选出新特征图
Figure 949617DEST_PATH_IMAGE035
中关键的通道信息，初步抑制图像特征中噪声并恢复重要的细节信息；新特征图
Figure 837807DEST_PATH_IMAGE035
在执行第二次SE操作后，对特征通道做进一步关键信息筛选，更准确地刻画眼底血管图像中细节信息，以用于后续分割任务。
S1041，全局平均池化操作包括如下步骤：
对新特征图
Figure 406192DEST_PATH_IMAGE035
的每个通道进行全局平均池化运算以得到特征向量m，其中所述新特征图
Figure 763355DEST_PATH_IMAGE035
的属性为
Figure 177019DEST_PATH_IMAGE037
；
进行全局平均池化运算以得到特征向量m的公式表示为：
Figure 188224DEST_PATH_IMAGE059
其中，
Figure 661931DEST_PATH_IMAGE039
表示新特征图
Figure 506390DEST_PATH_IMAGE035
的高度，
Figure 927007DEST_PATH_IMAGE040
表示新特征图
Figure 665156DEST_PATH_IMAGE035
的宽度，
Figure 434398DEST_PATH_IMAGE041
表示新特征图
Figure 890787DEST_PATH_IMAGE035
的通道数，
Figure 787199DEST_PATH_IMAGE042
表示新特征图
Figure 379854DEST_PATH_IMAGE035
中第
Figure 319997DEST_PATH_IMAGE043
个通道的全局信息的压缩表示，
Figure 263683DEST_PATH_IMAGE060
表示针对新特征图
Figure 698206DEST_PATH_IMAGE035
的高度的取值，
Figure 410947DEST_PATH_IMAGE044
表示针对新特征图
Figure 521992DEST_PATH_IMAGE035
的宽度的取值，
Figure 687394DEST_PATH_IMAGE045
。
S1042，非线性激活操作包括如下步骤：
利用两个全连接层对不同通道之间新特征图的相关性进行建模；其中，第一个全连接层在非线性激活后将特征向量m的维度降低到原来的1/r，第二个全连接层将特征向量m法人维度增加到原始维度，通过sigmoid函数将特征向量m的特征权值归一化为[0,1]；
非线性激活操作的公式表示为：
Figure 987925DEST_PATH_IMAGE046
其中，
Figure 696118DEST_PATH_IMAGE053
表示特征权值向量，
Figure 853430DEST_PATH_IMAGE048
表示 sigmoid函数，
Figure 627832DEST_PATH_IMAGE049
表示第一个全连接层的参数，
Figure 528792DEST_PATH_IMAGE050
表示第二个全连接层的参数，
Figure 91492DEST_PATH_IMAGE051
表示经过全局池化后的特征向量，
Figure 419705DEST_PATH_IMAGE052
表示ReLU非线性激活函数。
S1043，特征通道加权操作包括如下步骤：
采用特征权值向量
Figure 949912DEST_PATH_IMAGE053
对所述新特征图
Figure 388984DEST_PATH_IMAGE035
中的每个特征通道分别执行乘法加权，对应的公式表示为：
Figure 806190DEST_PATH_IMAGE061
其中，
Figure 305304DEST_PATH_IMAGE055
表示加权后得到的特征通道，
Figure 57228DEST_PATH_IMAGE056
表示新特征图
Figure 299991DEST_PATH_IMAGE035
中第
Figure 899599DEST_PATH_IMAGE043
个通道对应的特征权值向量。
人类对外部世界的认知是一种层次化结构，即通过不断过滤、筛选以保留最关键信息，且新特征图X中权重非0的通道数较多并包含大量噪声。因此，在DSE模块（挤压激励模块）中设计层次化结构对新特征图
Figure 241719DEST_PATH_IMAGE035
进行筛选。如图2中的(c)部分DSE 模块所示：
包含320个通道的新特征图
Figure 559568DEST_PATH_IMAGE035
执行第一次SE操作后，根据各通道信息重要性，特征通道被赋予一定权重，权重为0表示相关特征通道对于分割无任何贡献，新特征图
Figure 730655DEST_PATH_IMAGE035
中的噪声信息得到一定抑制；继续对经过筛选的特征执行第二次SE操作，原本权重为0的特征通道权重保持不变，而原本权重非0的特征通道被赋予新权重，即包含重要信息的通道权重变得更大，以突出其重要性，而包含次要信息的通道权重变得更小，以降低其重要性，权重非0的通道数变得更少，新特征图
Figure 981508DEST_PATH_IMAGE035
中的噪声得到进一步抑制，有利于之后的卷积操作及图像像素二分类判别，为高质量的眼底血管图像分割奠定重要基础。
综上，将高进神经网络解码部分拼接后的多尺度图像特征依次通过包含全局平均池化、非线性激活以及特征通道加权三大操作的DSE模块，以层次化方式实现对特征中关键信息的筛选，并完成多尺度图像特征融合，为眼底图像分割做好准备。
S105，对所述多尺度图像特征融合结果执行连续三次卷积操作以得到待分割图像，对所述待分割图像中的像素进行二分类判别，以对眼底血管图像进行分割，并得到一个改进的神经网络模型。
在具体实施中，将语义融合结构输出的包含320个特征通道的新特征图经过连续的三个卷积层和64个滤波器，提取血管和背景关键特征并生成分割图像，分割图像中每个像素均有一个概率值。使用一个二分类判别器区分分割图像中的血管和背景。其中，三个卷积层分别是1×1、3×3和1×1卷积。
二分类判别器将分割图像中概率值大于0.5的像素看作眼底血管像素，并标记像素值为1，将分割图像中概率值小于0.5的像素看作背景，并标记像素值为0，所有像素值为1的像素设置为白色，所有像素值为0 的像素设置为黑色，完成眼底血管图像分割，血管和背景被鲜明地区分，向医生直观地展示分割效果，准确、高效地辅助其临床诊断工作。
S106，根据第一损失函数，对所述改进的神经网络模型进行辅助训练，以对训练后的神经网络模型进行测试，从而最终完成眼底血管图像的分割与验证。
其中，所述第一损失函数的表达式为：
Figure 697791DEST_PATH_IMAGE001
其中，
Figure 565253DEST_PATH_IMAGE002
表示第一损失函数，
Figure 277382DEST_PATH_IMAGE003
表示数据总类别数量，
Figure 648320DEST_PATH_IMAGE004
表示类别k的真阳值，
Figure 535505DEST_PATH_IMAGE005
表示类别k的假阴值，
Figure 624683DEST_PATH_IMAGE006
表示像素属于类别k的数量，
Figure 950623DEST_PATH_IMAGE007
，
Figure 300701DEST_PATH_IMAGE008
表示类别k的几何平均置信度，
Figure 749000DEST_PATH_IMAGE009
表示类别k的召回率，
Figure 935262DEST_PATH_IMAGE010
表示输入的训练数据在所有类别上的预测最大值分布，
Figure 127209DEST_PATH_IMAGE011
表示标签为类别k的样本集，
Figure 597373DEST_PATH_IMAGE012
表示训练数据的标签数据，
Figure 950994DEST_PATH_IMAGE013
表示训练数据的序号。
本发明提出一种基于空洞卷积和语义融合的眼底血管图像分割方法，具有如下有益效果：
（1）、本发明能准确有效地对眼底血管图像进行分割，辅助医生的临床诊断工作进而实现高质量的医疗服务；
（2）、本发明提出的融合Transformer模块的多层多尺度空洞卷积结构具备高效、轻便以及可移植性强等优点，可将该多层多尺度空洞卷积结构迁移到其它需要逐步扩张图像感受野或需联合全局特征和局部特征的视觉分析任务，如目标检测、区域定位等，以发挥更大作用；
（3）、本发明提出的语义融合结构，具备高效、轻便以及可移植性强等优点，可将该语义融合结构迁移到其它需要进行多尺度图像特征融合或特征精选的视觉分析任务中，如肿瘤图像识别与图像情感分析等，以发挥更大作用；
（4）、从患者角度而言，精准的医学诊疗可缩短患者就诊时间，为提高病症的治愈率创造有利的时间条件，有助于改善人们的生活质量，创造良好的社会效益。
请参阅图4，本发明还提出一种基于空洞卷积和语义融合的眼底血管图像分割***，其中，所述***包括：
图像获取模块，用于：
获取眼底血管图像数据集，从所述眼底血管图像数据集中获取眼底血管图像，并对所述眼底血管图像进行预处理；
模型改进模块，用于：
基于U-Net模型进行改进设计，以得到改进神经网络；
第一设计模块，用于：
在进行改进设计时，在所述改进神经网络的跳跃连接部分设计一个多层多尺度空洞卷积结构，所述多层多尺度空洞卷积结构用于跨越所述改进神经网络的编码部分与解码部分，以保护眼底血管中的细节信息；
第二设计模块，用于：
在所述改进神经网络的解码部分设计一个语义融合结构，所述语义融合结构用于对解码后的多尺度图像特征进行拼接，并构建成对挤压激励模块，根据所述挤压激励模块对拼接后的多尺度图像特征进行关键信息筛选以最终得到多尺度图像特征融合结果；
图像分割模块，用于：
对所述多尺度图像特征融合结果执行连续三次卷积操作以得到待分割图像，对所述待分割图像中的像素进行二分类判别，以对眼底血管图像进行分割，并得到一个改进的神经网络模型；
辅助训练模块，用于根据第一损失函数，对所述改进的神经网络模型进行辅助训练，以对训练后的神经网络模型进行测试，从而最终完成眼底血管图像的分割与验证；
其中，所述第一损失函数的表达式为：
Figure 624552DEST_PATH_IMAGE001
其中，
Figure 557873DEST_PATH_IMAGE002
表示第一损失函数，
Figure 757910DEST_PATH_IMAGE003
表示数据总类别数量，
Figure 407066DEST_PATH_IMAGE004
表示类别k的真阳值，
Figure 692554DEST_PATH_IMAGE005
表示类别k的假阴值，
Figure 101670DEST_PATH_IMAGE006
表示像素属于类别k的数量，
Figure 156214DEST_PATH_IMAGE007
，
Figure 238921DEST_PATH_IMAGE008
表示类别k的几何平均置信度，
Figure 11705DEST_PATH_IMAGE009
表示类别k的召回率，
Figure 693353DEST_PATH_IMAGE010
表示输入的训练数据在所有类别上的预测最大值分布，
Figure 71244DEST_PATH_IMAGE011
表示标签为类别k的样本集，
Figure 937569DEST_PATH_IMAGE012
表示训练数据的标签数据，
Figure 322283DEST_PATH_IMAGE013
表示训练数据的序号。
应当理解的，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于空洞卷积和语义融合的眼底血管图像分割方法，其特征在于，所述方法包括如下步骤：
步骤一，获取眼底血管图像数据集，从所述眼底血管图像数据集中获取眼底血管图像，并对所述眼底血管图像进行预处理；
步骤二，基于U-Net模型进行改进设计，以得到改进神经网络；
步骤三，在进行改进设计时，在所述改进神经网络的跳跃连接部分设计一个多层多尺度空洞卷积结构，所述多层多尺度空洞卷积结构用于跨越所述改进神经网络的编码部分与解码部分，以保护眼底血管中的细节信息；
步骤四，在所述改进神经网络的解码部分设计一个语义融合结构，所述语义融合结构用于对解码后的多尺度图像特征进行拼接，并构建成对挤压激励模块，根据所述挤压激励模块对拼接后的多尺度图像特征进行关键信息筛选以最终得到多尺度图像特征融合结果；
步骤五，对所述多尺度图像特征融合结果执行连续三次卷积操作以得到待分割图像，对所述待分割图像中的像素进行二分类判别，以对眼底血管图像进行分割，并得到一个改进的神经网络模型；
步骤六，根据第一损失函数，对所述改进的神经网络模型进行辅助训练，以对训练后的神经网络模型进行测试，从而最终完成眼底血管图像的分割与验证；
所述第一损失函数的表达式为：
Figure 387921DEST_PATH_IMAGE001
其中，
Figure 836219DEST_PATH_IMAGE002
表示第一损失函数，
Figure 271749DEST_PATH_IMAGE003
表示数据总类别数量，
Figure 198117DEST_PATH_IMAGE004
表示类别k的真阳值，
Figure 419013DEST_PATH_IMAGE005
表示类别k的假阴值，
Figure 772634DEST_PATH_IMAGE006
表示像素属于类别k的数量，
Figure 698390DEST_PATH_IMAGE007
，
Figure 428448DEST_PATH_IMAGE008
表示类别k的几何平均置信度，
Figure 503852DEST_PATH_IMAGE009
表示类别k的召回率，
Figure 28374DEST_PATH_IMAGE010
表示输入的训练数据在所有类别上的预测最大值分布，
Figure 438495DEST_PATH_IMAGE011
表示标签为类别k的样本集，
Figure 706666DEST_PATH_IMAGE012
表示训练数据的标签数据，
Figure 636576DEST_PATH_IMAGE013
表示训练数据的序号。
2.根据权利要求1所述的基于空洞卷积和语义融合的眼底血管图像分割方法，其特征在于，在所述步骤一中，所述眼底血管图像数据集包括STARE数据集、DRIVE数据集以及CHASEDB1数据集；
对所述眼底血管图像进行预处理的方法包括如下步骤：
将所述眼底血管图像的尺寸统一裁剪至512×512，然后进行图像翻转、图像旋转以及图像高斯模糊操作完成预处理。
3.根据权利要求2所述的基于空洞卷积和语义融合的眼底血管图像分割方法，其特征在于，在所述步骤三中，所述多层多尺度空洞卷积结构包括上层图像特征、中层图像特征以及下层图像特征；
其中，对上层图像特征、中层图像特征以及下层图像特征执行包含不同尺度卷积率的级联式空洞卷积。
4.根据权利要求3所述的基于空洞卷积和语义融合的眼底血管图像分割方法，其特征在于，对上层图像特征、中层图像特征以及下层图像特征执行包含不同尺度卷积率的级联式空洞卷积的方法包括如下步骤：
对所述上层图像特征执行感受野逐步扩张的级联式空洞卷积，经卷积得到上层图像特征对应的空洞卷积特征，再对空洞卷积特征执行最大池化操作，以获得大尺寸图像的局部特征；
将所述中层图像特征对应的眼底血管图像分割成固定大小的图像块，通过扁平化操作对图像块进行矢量化，执行线性映射将矢量化的图像块转换成低维线性嵌入特征；将所述低维线性嵌入特征输入至Transformer模块中连续12个Transformer层中继续执行线性映射，并进行自注意力加权；对所述低维线性嵌入特征添加位置编码，以建模得到眼底血管图像中的长距离依赖关系，并提取得到图像全局特征；
对所述下层图像特征执行感受野逐步扩张的级联式空洞卷积，然后执行双线性插值将所述下层图像特征提升至与所述中层图像特征相同的尺寸，以获得小尺寸图像的局部特征；
将所述大尺寸图像的局部特征、所述图像全局特征以及所述小尺寸图像的局部特征进行相加以完成特征融合。
5.根据权利要求4所述的基于空洞卷积和语义融合的眼底血管图像分割方法，其特征在于，对所述中层图像特征进行处理的步骤中，存在如下公式：
Figure 597578DEST_PATH_IMAGE014
其中，
Figure 494996DEST_PATH_IMAGE015
表示低维线性嵌入特征，
Figure 301278DEST_PATH_IMAGE016
表示执行线性映射的矩阵，
Figure 351274DEST_PATH_IMAGE017
表示位置编码，
Figure 217599DEST_PATH_IMAGE018
表示第
Figure 602312DEST_PATH_IMAGE019
个图像块，
Figure 212285DEST_PATH_IMAGE020
；
所述Transformer层包括规范化层、多头自注意力以及多层感知器，第
Figure 116787DEST_PATH_IMAGE021
个Transformer层的特征变换对应的公式表示为：
Figure 154014DEST_PATH_IMAGE022
Figure 635810DEST_PATH_IMAGE023
其中，
Figure 171178DEST_PATH_IMAGE024
表示经过第
Figure 54821DEST_PATH_IMAGE021
个Transformer层编码后得到的图像特征，
Figure 403894DEST_PATH_IMAGE025
表示经多头注意力加权得到的图像特征，
Figure 372987DEST_PATH_IMAGE026
表示输入图像序列的线性嵌入特征，
Figure 449396DEST_PATH_IMAGE027
表示多层感知器操作，
Figure 187545DEST_PATH_IMAGE028
表示多头自注意力操作，
Figure 707519DEST_PATH_IMAGE029
表示规范化层操作。
6.根据权利要求5所述的基于空洞卷积和语义融合的眼底血管图像分割方法，其特征在于，在所述步骤四中，所述语义融合结构对解码后的多尺度图像特征进行拼接的方法包括如下步骤：
语义融合结构对所述改进神经网络的解码部分输出的各层图像特征进行上采样，并恢复为与原始输入图像大小一致，以得到第一上采样特征图
Figure 163908DEST_PATH_IMAGE030
、第二上采样特征图
Figure 44008DEST_PATH_IMAGE031
、第三上采样特征图
Figure 636664DEST_PATH_IMAGE032
以及第四上采样特征图
Figure 327539DEST_PATH_IMAGE033
；
结合所述改进神经网络的编码部分的特征图
Figure 271224DEST_PATH_IMAGE034
，与上述第一上采样特征图
Figure 955015DEST_PATH_IMAGE030
、第二上采样特征图
Figure 402177DEST_PATH_IMAGE031
、第三上采样特征图
Figure 123009DEST_PATH_IMAGE032
以及第四上采样特征图
Figure 429356DEST_PATH_IMAGE033
进行拼接得到新特征图
Figure 526625DEST_PATH_IMAGE035
；
其中，新特征图
Figure 487015DEST_PATH_IMAGE036
。
7.根据权利要求6所述的基于空洞卷积和语义融合的眼底血管图像分割方法，其特征在于，在得到了所述新特征图
Figure 113169DEST_PATH_IMAGE035
之后，所述方法还包括：
将所述新特征图
Figure 906812DEST_PATH_IMAGE035
输入至挤压激励模块中，连续执行两个SE操作，以层次化方式筛选所述新特征图
Figure 807772DEST_PATH_IMAGE035
中的关键信息；
其中，所述SE操作包括全局平均池化操作、非线性激活操作以及特征通道加权操作；
所述全局平均池化操作包括如下步骤：
对所述新特征图
Figure 354160DEST_PATH_IMAGE035
的每个通道进行全局平均池化运算以得到特征向量m，其中所述新特征图
Figure 682373DEST_PATH_IMAGE035
的属性为
Figure 697734DEST_PATH_IMAGE037
；
进行全局平均池化运算以得到特征向量m的公式表示为：
Figure 402385DEST_PATH_IMAGE038
其中，
Figure 68858DEST_PATH_IMAGE039
表示新特征图
Figure 302394DEST_PATH_IMAGE035
的高度，
Figure 929684DEST_PATH_IMAGE040
表示新特征图
Figure 47813DEST_PATH_IMAGE035
的宽度，
Figure 444159DEST_PATH_IMAGE041
表示新特征图
Figure 238809DEST_PATH_IMAGE035
的通道数，
Figure 353395DEST_PATH_IMAGE042
表示新特征图
Figure 9635DEST_PATH_IMAGE035
中第
Figure 526067DEST_PATH_IMAGE043
个通道的全局信息的压缩表示，
Figure 488689DEST_PATH_IMAGE019
表示针对新特征图
Figure 824992DEST_PATH_IMAGE035
的高度的取值，
Figure 284923DEST_PATH_IMAGE044
表示针对新特征图
Figure 655862DEST_PATH_IMAGE035
的宽度的取值，
Figure 792314DEST_PATH_IMAGE045
。
8.根据权利要求7所述的基于空洞卷积和语义融合的眼底血管图像分割方法，其特征在于，所述非线性激活操作包括如下步骤：
利用两个全连接层对不同通道之间新特征图的相关性进行建模；其中，第一个全连接层在非线性激活后将特征向量m的维度降低到原来的1/r，第二个全连接层将特征向量m法 人维度增加到原始维度，通过sigmoid函数将特征向量m的特征权值归一化为[0,1]；
非线性激活操作的公式表示为：
Figure 615913DEST_PATH_IMAGE046
其中，
Figure 879536DEST_PATH_IMAGE047
表示特征权值向量，
Figure 104981DEST_PATH_IMAGE048
表示 sigmoid函数，
Figure 412334DEST_PATH_IMAGE049
表示第一个全连接层的参数，
Figure 723230DEST_PATH_IMAGE050
表示第二个全连接层的参数，
Figure 790543DEST_PATH_IMAGE051
表示经过全局池化后的特征向量，
Figure 870494DEST_PATH_IMAGE052
表示ReLU非线性激活函数。
9.根据权利要求8所述的基于空洞卷积和语义融合的眼底血管图像分割方法，其特征在于，所述特征通道加权操作包括如下步骤：
采用特征权值向量
Figure 224115DEST_PATH_IMAGE047
对所述新特征图
Figure 146941DEST_PATH_IMAGE035
中的每个特征通道分别执行乘法加权，对应的公式表示为：
Figure 876999DEST_PATH_IMAGE053
其中，
Figure 686824DEST_PATH_IMAGE054
表示加权后得到的特征通道，
Figure 476925DEST_PATH_IMAGE055
表示新特征图
Figure 889976DEST_PATH_IMAGE035
中第
Figure 158147DEST_PATH_IMAGE043
个通道对应的特征权值向量。
10.一种基于空洞卷积和语义融合的眼底血管图像分割***，其特征在于，所述***包括：
图像获取模块，用于：
获取眼底血管图像数据集，从所述眼底血管图像数据集中获取眼底血管图像，并对所述眼底血管图像进行预处理；
模型改进模块，用于：
基于U-Net模型进行改进设计，以得到改进神经网络；
第一设计模块，用于：
在进行改进设计时，在所述改进神经网络的跳跃连接部分设计一个多层多尺度空洞卷积结构，所述多层多尺度空洞卷积结构用于跨越所述改进神经网络的编码部分与解码部分，以保护眼底血管中的细节信息；
第二设计模块，用于：
在所述改进神经网络的解码部分设计一个语义融合结构，所述语义融合结构用于对解码后的多尺度图像特征进行拼接，并构建成对挤压激励模块，根据所述挤压激励模块对拼接后的多尺度图像特征进行关键信息筛选以最终得到多尺度图像特征融合结果；
图像分割模块，用于：
对所述多尺度图像特征融合结果执行连续三次卷积操作以得到待分割图像，对所述待分割图像中的像素进行二分类判别，以对眼底血管图像进行分割，并得到一个改进的神经网络模型；
辅助训练模块，用于根据第一损失函数，对所述改进的神经网络模型进行辅助训练，以对训练后的神经网络模型进行测试，从而最终完成眼底血管图像的分割与验证；
其中，所述第一损失函数的表达式为：
Figure 88057DEST_PATH_IMAGE001
其中，
Figure 783480DEST_PATH_IMAGE002
表示第一损失函数，
Figure 415319DEST_PATH_IMAGE003
表示数据总类别数量，
Figure 487180DEST_PATH_IMAGE004
表示类别k的真阳值，
Figure 537175DEST_PATH_IMAGE005
表示类别k的假阴值，
Figure 137921DEST_PATH_IMAGE006
表示像素属于类别k的数量，
Figure 398001DEST_PATH_IMAGE007
，
Figure 132608DEST_PATH_IMAGE008
表示类别k的几何平均置信度，
Figure 161744DEST_PATH_IMAGE009
表示类别k的召回率，
Figure 74336DEST_PATH_IMAGE010
表示输入的训练数据在所有类别上的预测最大值分布，
Figure 821712DEST_PATH_IMAGE011
表示标签为类别k的样本集，
Figure 360010DEST_PATH_IMAGE012
表示训练数据的标签数据，
Figure 243652DEST_PATH_IMAGE013
表示训练数据的序号。
CN202211134660.XA 2022-09-19 2022-09-19 基于空洞卷积和语义融合的眼底血管图像分割方法与*** Active CN115205300B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211134660.XA CN115205300B (zh) 2022-09-19 2022-09-19 基于空洞卷积和语义融合的眼底血管图像分割方法与***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211134660.XA CN115205300B (zh) 2022-09-19 2022-09-19 基于空洞卷积和语义融合的眼底血管图像分割方法与***

Publications (2)

Publication Number Publication Date
CN115205300A true CN115205300A (zh) 2022-10-18
CN115205300B CN115205300B (zh) 2022-12-09

Family

ID=83573686

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211134660.XA Active CN115205300B (zh) 2022-09-19 2022-09-19 基于空洞卷积和语义融合的眼底血管图像分割方法与***

Country Status (1)

Country Link
CN (1) CN115205300B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115953420A (zh) * 2023-03-15 2023-04-11 深圳市联影高端医疗装备创新研究院 深度学习网络模型以及医疗图像分割方法、装置和***
CN116630334A (zh) * 2023-04-23 2023-08-22 中国科学院自动化研究所 用于多分段血管实时自动分割方法、装置、设备及介质
CN116934747A (zh) * 2023-09-15 2023-10-24 江西师范大学 眼底图像分割模型训练方法、设备和青光眼辅助诊断***
CN117078697A (zh) * 2023-08-21 2023-11-17 南京航空航天大学 一种基于级联模型融合的眼底病种检测方法
CN117274256A (zh) * 2023-11-21 2023-12-22 首都医科大学附属北京安定医院 一种基于瞳孔变化的疼痛评估方法、***及设备
CN117495876A (zh) * 2023-12-29 2024-02-02 山东大学齐鲁医院 基于深度学习的冠状动脉图像分割方法及***
CN117671395A (zh) * 2024-02-02 2024-03-08 南昌康德莱医疗科技有限公司 一种癌细胞种类识别装置
CN117788473A (zh) * 2024-02-27 2024-03-29 北京大学第一医院(北京大学第一临床医学院) 一种基于双眼融合网络预测高血压的方法、***和设备

Citations (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108986124A (zh) * 2018-06-20 2018-12-11 天津大学 结合多尺度特征卷积神经网络视网膜血管图像分割方法
CN110059772A (zh) * 2019-05-14 2019-07-26 温州大学 基于迁移vgg网络的遥感图像语义分割方法
CN110232394A (zh) * 2018-03-06 2019-09-13 华南理工大学 一种多尺度图像语义分割方法
KR20190119261A (ko) * 2018-04-12 2019-10-22 가천대학교 산학협력단 멀티 스케일 이미지와 멀티 스케일 확장된 컨볼루션 기반의 완전 컨볼루션 뉴럴 네트워크를 이용한 시맨틱 이미지 세그먼테이션 장치 및 그 방법
CN110781895A (zh) * 2019-10-10 2020-02-11 湖北工业大学 一种基于卷积神经网络的图像语义分割方法
CN110992382A (zh) * 2019-12-30 2020-04-10 四川大学 用于辅助青光眼筛查的眼底图像视杯视盘分割方法及***
CN111210435A (zh) * 2019-12-24 2020-05-29 重庆邮电大学 一种基于局部和全局特征增强模块的图像语义分割方法
CN111291789A (zh) * 2020-01-19 2020-06-16 华东交通大学 基于多阶段多特征深度融合的乳腺癌图像识别方法及***
CN111783782A (zh) * 2020-05-29 2020-10-16 河海大学 融合改进UNet和SegNet的遥感图像语义分割方法
WO2020215236A1 (zh) * 2019-04-24 2020-10-29 哈尔滨工业大学（深圳） 图像语义分割方法和***
CN111898617A (zh) * 2020-06-29 2020-11-06 南京邮电大学 基于注意力机制与并行空洞卷积网络的目标检测方法、***
CN112001391A (zh) * 2020-05-11 2020-11-27 江苏鲲博智行科技有限公司 一种图像特征融合图像语义分割的方法
CN112102283A (zh) * 2020-09-14 2020-12-18 北京航空航天大学 一种基于深度多尺度注意力卷积神经网络的视网膜眼底血管分割方法
US20210035304A1 (en) * 2018-04-10 2021-02-04 Tencent Technology (Shenzhen) Company Limited Training method for image semantic segmentation model and server
US20210049397A1 (en) * 2018-10-16 2021-02-18 Tencent Technology (Shenzhen) Company Limited Semantic segmentation method and apparatus for three-dimensional image, terminal, and storage medium
CN112508960A (zh) * 2020-12-21 2021-03-16 华南理工大学 一种基于改进注意力机制的低精度图像语义分割方法
CN112949673A (zh) * 2019-12-11 2021-06-11 四川大学 一种基于全局注意力的特征融合目标检测与识别方法
CN112966691A (zh) * 2021-04-14 2021-06-15 重庆邮电大学 基于语义分割的多尺度文本检测方法、装置及电子设备
CN113160414A (zh) * 2021-01-25 2021-07-23 北京豆牛网络科技有限公司 货物余量自动识别方法、装置、电子设备以及计算机可读介质
US20210248761A1 (en) * 2020-02-10 2021-08-12 Hong Kong Applied Science and Technology Research Institute Company Limited Method for image segmentation using cnn
US20210272246A1 (en) * 2018-11-26 2021-09-02 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method, system, and computer-readable medium for improving quality of low-light images
CN114187450A (zh) * 2021-12-15 2022-03-15 山东大学 一种基于深度学习的遥感图像语义分割方法
WO2022105125A1 (zh) * 2020-11-17 2022-05-27 平安科技（深圳）有限公司 图像分割方法、装置、计算机设备及存储介质
CN114639020A (zh) * 2022-03-24 2022-06-17 南京信息工程大学 一种图像的目标物的分割网络、分割***及其分割装置
US20220208355A1 (en) * 2020-12-30 2022-06-30 London Health Sciences Centre Research Inc. Contrast-agent-free medical diagnostic imaging
CN114881968A (zh) * 2022-05-07 2022-08-09 中南大学 基于深度卷积神经网络的octa图像血管分割方法、设备及介质
CN114972748A (zh) * 2022-04-28 2022-08-30 北京航空航天大学 一种可解释边缘注意力和灰度量化网络的红外语义分割方法
CN114999637A (zh) * 2022-07-18 2022-09-02 华东交通大学 多角度编码与嵌入式互学习的病理图像诊断方法与***

Patent Citations (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110232394A (zh) * 2018-03-06 2019-09-13 华南理工大学 一种多尺度图像语义分割方法
US20210035304A1 (en) * 2018-04-10 2021-02-04 Tencent Technology (Shenzhen) Company Limited Training method for image semantic segmentation model and server
KR20190119261A (ko) * 2018-04-12 2019-10-22 가천대학교 산학협력단 멀티 스케일 이미지와 멀티 스케일 확장된 컨볼루션 기반의 완전 컨볼루션 뉴럴 네트워크를 이용한 시맨틱 이미지 세그먼테이션 장치 및 그 방법
CN108986124A (zh) * 2018-06-20 2018-12-11 天津大学 结合多尺度特征卷积神经网络视网膜血管图像分割方法
US20210049397A1 (en) * 2018-10-16 2021-02-18 Tencent Technology (Shenzhen) Company Limited Semantic segmentation method and apparatus for three-dimensional image, terminal, and storage medium
US20210272246A1 (en) * 2018-11-26 2021-09-02 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method, system, and computer-readable medium for improving quality of low-light images
WO2020215236A1 (zh) * 2019-04-24 2020-10-29 哈尔滨工业大学（深圳） 图像语义分割方法和***
CN110059772A (zh) * 2019-05-14 2019-07-26 温州大学 基于迁移vgg网络的遥感图像语义分割方法
CN110781895A (zh) * 2019-10-10 2020-02-11 湖北工业大学 一种基于卷积神经网络的图像语义分割方法
CN112949673A (zh) * 2019-12-11 2021-06-11 四川大学 一种基于全局注意力的特征融合目标检测与识别方法
CN111210435A (zh) * 2019-12-24 2020-05-29 重庆邮电大学 一种基于局部和全局特征增强模块的图像语义分割方法
CN110992382A (zh) * 2019-12-30 2020-04-10 四川大学 用于辅助青光眼筛查的眼底图像视杯视盘分割方法及***
CN111291789A (zh) * 2020-01-19 2020-06-16 华东交通大学 基于多阶段多特征深度融合的乳腺癌图像识别方法及***
US20210248761A1 (en) * 2020-02-10 2021-08-12 Hong Kong Applied Science and Technology Research Institute Company Limited Method for image segmentation using cnn
CN112001391A (zh) * 2020-05-11 2020-11-27 江苏鲲博智行科技有限公司 一种图像特征融合图像语义分割的方法
CN111783782A (zh) * 2020-05-29 2020-10-16 河海大学 融合改进UNet和SegNet的遥感图像语义分割方法
CN111898617A (zh) * 2020-06-29 2020-11-06 南京邮电大学 基于注意力机制与并行空洞卷积网络的目标检测方法、***
CN112102283A (zh) * 2020-09-14 2020-12-18 北京航空航天大学 一种基于深度多尺度注意力卷积神经网络的视网膜眼底血管分割方法
WO2022105125A1 (zh) * 2020-11-17 2022-05-27 平安科技（深圳）有限公司 图像分割方法、装置、计算机设备及存储介质
CN112508960A (zh) * 2020-12-21 2021-03-16 华南理工大学 一种基于改进注意力机制的低精度图像语义分割方法
US20220208355A1 (en) * 2020-12-30 2022-06-30 London Health Sciences Centre Research Inc. Contrast-agent-free medical diagnostic imaging
CN113160414A (zh) * 2021-01-25 2021-07-23 北京豆牛网络科技有限公司 货物余量自动识别方法、装置、电子设备以及计算机可读介质
CN112966691A (zh) * 2021-04-14 2021-06-15 重庆邮电大学 基于语义分割的多尺度文本检测方法、装置及电子设备
CN114187450A (zh) * 2021-12-15 2022-03-15 山东大学 一种基于深度学习的遥感图像语义分割方法
CN114639020A (zh) * 2022-03-24 2022-06-17 南京信息工程大学 一种图像的目标物的分割网络、分割***及其分割装置
CN114972748A (zh) * 2022-04-28 2022-08-30 北京航空航天大学 一种可解释边缘注意力和灰度量化网络的红外语义分割方法
CN114881968A (zh) * 2022-05-07 2022-08-09 中南大学 基于深度卷积神经网络的octa图像血管分割方法、设备及介质
CN114999637A (zh) * 2022-07-18 2022-09-02 华东交通大学 多角度编码与嵌入式互学习的病理图像诊断方法与***

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
LEI XU 等: "Welding Defect Recognition Technology and Application Based on Convolutional Neural Network", 《2021 INTERNATIONAL WIRELESS COMMUNICATIONS AND MOBILE COMPUTING (IWCMC)》 *
ZHIJIE WEN 等: "GCSBA-Net: Gabor-Based and Cascade Squeeze Bi-Attention Network for Gland Segmentation", 《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》 *
李大湘等: "基于改进U-Net视网膜血管图像分割算法", 《光学学报》 *
李轩等: "基于卷积神经网络的图像分割算法", 《沈阳航空航天大学学报》 *
陈洪云等: "融合深度神经网络和空洞卷积的语义图像分割研究", 《小型微型计算机***》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115953420B (zh) * 2023-03-15 2023-08-22 深圳市联影高端医疗装备创新研究院 深度学习网络模型以及医疗图像分割方法、装置和***
CN115953420A (zh) * 2023-03-15 2023-04-11 深圳市联影高端医疗装备创新研究院 深度学习网络模型以及医疗图像分割方法、装置和***
CN116630334A (zh) * 2023-04-23 2023-08-22 中国科学院自动化研究所 用于多分段血管实时自动分割方法、装置、设备及介质
CN116630334B (zh) * 2023-04-23 2023-12-08 中国科学院自动化研究所 用于多分段血管实时自动分割方法、装置、设备及介质
CN117078697B (zh) * 2023-08-21 2024-04-09 南京航空航天大学 一种基于级联模型融合的眼底病种检测方法
CN117078697A (zh) * 2023-08-21 2023-11-17 南京航空航天大学 一种基于级联模型融合的眼底病种检测方法
CN116934747A (zh) * 2023-09-15 2023-10-24 江西师范大学 眼底图像分割模型训练方法、设备和青光眼辅助诊断***
CN116934747B (zh) * 2023-09-15 2023-11-28 江西师范大学 眼底图像分割模型训练方法、设备和青光眼辅助诊断***
CN117274256A (zh) * 2023-11-21 2023-12-22 首都医科大学附属北京安定医院 一种基于瞳孔变化的疼痛评估方法、***及设备
CN117274256B (zh) * 2023-11-21 2024-02-06 首都医科大学附属北京安定医院 一种基于瞳孔变化的疼痛评估方法、***及设备
CN117495876A (zh) * 2023-12-29 2024-02-02 山东大学齐鲁医院 基于深度学习的冠状动脉图像分割方法及***
CN117495876B (zh) * 2023-12-29 2024-03-26 山东大学齐鲁医院 基于深度学习的冠状动脉图像分割方法及***
CN117671395A (zh) * 2024-02-02 2024-03-08 南昌康德莱医疗科技有限公司 一种癌细胞种类识别装置
CN117671395B (zh) * 2024-02-02 2024-04-26 南昌康德莱医疗科技有限公司 一种癌细胞种类识别装置
CN117788473A (zh) * 2024-02-27 2024-03-29 北京大学第一医院(北京大学第一临床医学院) 一种基于双眼融合网络预测高血压的方法、***和设备
CN117788473B (zh) * 2024-02-27 2024-05-14 北京大学第一医院(北京大学第一临床医学院) 一种基于双眼融合网络预测高血压的方法、***和设备

Also Published As

Publication number Publication date
CN115205300B (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
CN115205300B (zh) 基于空洞卷积和语义融合的眼底血管图像分割方法与***
CN109886273B (zh) 一种cmr图像分割分类***
CN109345538A (zh) 一种基于卷积神经网络的视网膜血管分割方法
CN109886986A (zh) 一种基于多分支卷积神经网络的皮肤镜图像分割方法
CN106682435A (zh) 一种多模型融合自动检测医学图像中病变的***及方法
Chen et al. 3D intracranial artery segmentation using a convolutional autoencoder
CN107506797A (zh) 一种基于深度神经网络和多模态影像阿尔兹海默病分类方法
CN112674720B (zh) 基于3d卷积神经网络的阿尔茨海默症的预判断方法
CN112884788B (zh) 基于丰富上下文网络的视杯视盘分割方法及成像方法
Rajput et al. An accurate and noninvasive skin cancer screening based on imaging technique
Rajee et al. Gender classification on digital dental x-ray images using deep convolutional neural network
CN111598894B (zh) 基于全局信息卷积神经网络的视网膜血管图像分割***
CN113205524B (zh) 基于U-Net的血管图像分割方法、装置和设备
CN113012163A (zh) 一种基于多尺度注意力网络的视网膜血管分割方法、设备及存储介质
CN115294075A (zh) 一种基于注意力机制的octa图像视网膜血管分割方法
CN114119637A (zh) 基于多尺度融合和拆分注意力的脑白质高信号分割方法
Yang et al. RADCU-Net: Residual attention and dual-supervision cascaded U-Net for retinal blood vessel segmentation
Zhao et al. Attention residual convolution neural network based on U-net (AttentionResU-Net) for retina vessel segmentation
CN116758336A (zh) 一种基于人工智能的医学图像智能分析***
CN113344933B (zh) 一种基于多层次特征融合网络的腺体细胞分割方法
Khattar et al. Computer assisted diagnosis of skin cancer: a survey and future recommendations
Tan et al. A lightweight network guided with differential matched filtering for retinal vessel segmentation
CN113421250A (zh) 一种基于无病变影像训练的眼底疾病智能诊断方法
Upadhyay et al. Characteristic patch-based deep and handcrafted feature learning for red lesion segmentation in fundus images
Salehi et al. Deep convolutional neural networks for automated diagnosis of disc herniation on axial MRI

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant