本發明涉及醫學圖像分割,具體為基于泊松融合數據增強的糖尿病視網膜病變分割方法。
背景技術:
1、糖尿病視網膜病變(dr)是糖尿病的一種并發癥,對全球勞動年齡人群的視力構成相當大的風險,根據最新國際糖尿病聯合會(idf)披露的數據,每3例糖尿病患者就有1例dr患者,每3例dr患者就有1例面臨失明風險。通過早期診斷能夠很好的阻止dr的進展,然而,每年dr給社會帶來了巨大的經濟負擔以及dr篩查給眼科醫生帶來了巨大的負擔,因此,通過計算機輔助醫生對病情診斷是一項巨大挑戰且至關重要。
2、現有技術中常使用卷積神經網絡對圖像分割過程中的圖像特征進行提取,但是由于卷積神經網絡通常將特征圖通道的數目設置得很大,因此編碼器會存在有效信息無法準確提取,無用信息被提取的情況,從而導致輸出結果出現誤差,為此,我們提出基于泊松融合數據增強的糖尿病視網膜病變分割方法。
技術實現思路
1、本發明的目的在于提供基于泊松融合數據增強的糖尿病視網膜病變分割方法,能夠增強有效信息,抑制冗余信息,解決有效信息無法準確提取的問題。
2、根據本發明的第一方面,為實現上述目的,本發明提供如下技術方案:基于泊松融合數據增強的糖尿病視網膜病變分割方法,包括以下步驟:
3、接收病變圖像,采用基于均值坐標的泊松融合算法對病變圖像進行擴充,并對其進行預處理,然后將數據集劃分為訓練集和測試集;
4、構建以u-net++網絡為基礎的分割網絡結構,分割網絡結構中包括編碼器、解碼器,在編碼器中,將標準卷積模塊替換為殘差模塊,并在每一個殘差模塊后加入輕量化的通道注意力機制;
5、在分割網絡結構的最下層添加輕量化的aspp模塊,并且將分割網絡結構中原始的標準卷積替換為深度可分離卷積;
6、利用訓練集對上述分割網絡結構進行訓練,得到訓練后的分割網絡模型;
7、將測試集圖像輸入上述分割網絡模型中,得到預測結果圖,并對預測結果進行評價。
8、進一步的,所述病變圖像通過e-ophtha數據集進行下載。
9、進一步的,采用基于均值坐標的泊松融合算法對病變圖像進行擴充,具體如下:
10、(1)確定目標圖像和背景圖像;
11、(2)設置好目標圖像需要融合的背景區域位置;
12、(3)填充求解泊松的a矩陣;
13、(4)計算求解泊松的b矩陣;
14、a、拉普拉斯算子直接計算目標圖像散度,得到初始b矩陣;
15、b、根據邊界條件填充b矩陣邊界像素;
16、(5)使用最小二乘法,求解ax=b,由于a,b已知,因此可以直接得到x,即融合后的圖像。
17、進一步的,對病變圖像進行預處理,具體包括將圖像裁剪成相同像素大小,并對圖像進行翻轉、旋轉及仿射。
18、進一步的,所述編碼器的特征提取器包含5個階段,每個階段由一個殘差模塊和一個輕量化的通道注意力機制組成,每個殘差模塊包含深度可分離卷積層、歸一化層和激活函數層,每個階段之間采用最大池化層減小特征圖,用于增大卷積的感受野。
19、進一步的,所述解碼器采用unet++的解碼部分重建高分辨率特征圖,其包含5個階段,每個階段由兩個深度可分離卷積模塊組成,每個模塊包含深度可分離卷積層、歸一化層和激活函數層,每個階段之間采用上采樣方法增大特征圖,逐漸恢復圖像的分辨率。
20、進一步的,所述輕量化的aspp模塊是基于傳統aspp做了如下改進:
21、(1)移除了原有的全局池化分支,并將原本的四個卷積分支縮減為三個。這三個空洞卷積分支的空洞率分別選定為1、3和5,
22、(2)將原有的直接合并分支改進為跳躍連接,用于使得網絡能夠捕獲豐富的上下文語義信息。
23、進一步的,所述深度可分離卷積,表達式如下:
24、
25、式中,k′代表深度卷積的過濾器,g′代表深度卷積的輸出特征圖,m代表輸入圖像,i表示在水平方向上的步長,j表示在垂直方向上的步長,k表示卷積核的數量或通道數,m表示輸出特征圖的高度,l表示輸入特征圖的深度。
26、根據本發明的第二方面,本發明提供一種基于泊松融合數據增強的糖尿病視網膜病變分割系統,包括:
27、預處理單元,用于接收病變圖像,采用基于均值坐標的泊松融合算法對病變圖像進行擴充,并對其進行預處理,然后將數據集劃分為訓練集和測試集;
28、模塊構建單元,用于構建以u-net++網絡為基礎的分割網絡結構,分割網絡結構中包括編碼器、解碼器,在編碼器中,將標準卷積模塊替換為殘差模塊,并在每一個殘差模塊后加入輕量化的通道注意力機制;
29、卷積池化單元,用于在分割網絡結構的最下層添加輕量化的aspp模塊,并且將分割網絡結構中原始的標準卷積替換為深度可分離卷積;
30、訓練單元,用于利用訓練集對上述分割網絡結構進行訓練,得到訓練后的分割網絡模型;
31、預測單元,用于將測試集圖像輸入上述分割網絡模型中,得到預測結果圖,并對預測結果進行評價。
32、根據本發明的第三方面,本發明提供一種終端設備,包括存儲器、處理器及存儲在存儲器中并能夠在處理器上運行的計算機程序,所述存儲器中存儲有能夠在處理器上運行的計算機程序,所述處理器加載并執行計算機程序時,采用了上述的基于泊松融合數據增強的糖尿病視網膜病變分割方法。
33、本發明至少具備以下有益效果:
34、1、本發明在編碼器和解碼器中間添加殘差模塊及輕量化通道注意力機制,不僅可以有助于保留原始輸入信息,并在網絡深度增加時保持信息的流動,使模型更好地聚焦于輸入數據中的重要部分,避免信息丟失的問題,還有效的提升了模型的性能;
35、2、本發明通過增加的輕量化aspp模塊增強特征提取網絡的感受野,使得分割網絡能夠更加充分地利用圖像的上下文不同層級的特征信息得以有效融合,有助于分割網絡在復雜的任務中表現出更高的準確性;
36、3、本發明通過深度可分離卷積模型能夠使模型在保持性能的同時,顯著減少參數數量和計算成本,提升分割精度與效率。
37、當然,實施本發明的任一產品并不一定需要同時達到以上所述的所有優點。
1.基于泊松融合數據增強的糖尿病視網膜病變分割方法,其特征在于,包括以下步驟:
2.根據權利要求1所述的基于泊松融合數據增強的糖尿病視網膜病變分割方法,其特征在于,所述病變圖像通過e-ophtha數據集進行下載。
3.根據權利要求2所述的基于泊松融合數據增強的糖尿病視網膜病變分割方法,其特征在于,采用基于均值坐標的泊松融合算法對病變圖像進行擴充,具體如下:
4.根據權利要求2所述的基于泊松融合數據增強的糖尿病視網膜病變分割方法,其特征在于,對病變圖像進行預處理,具體包括將圖像裁剪成相同像素大小,并對圖像進行翻轉、旋轉及仿射。
5.根據權利要求4所述的基于泊松融合數據增強的糖尿病視網膜病變分割方法,其特征在于:所述編碼器的特征提取器包含5個階段,每個階段由一個殘差模塊和一個輕量化的通道注意力機制組成,每個殘差模塊包含深度可分離卷積層、歸一化層和激活函數層,每個階段之間采用最大池化層減小特征圖,用于增大卷積的感受野。
6.根據權利要求5所述的基于泊松融合數據增強的糖尿病視網膜病變分割方法,其特征在于:所述解碼器采用unet++的解碼部分重建高分辨率特征圖,其包含5個階段,每個階段由兩個深度可分離卷積模塊組成,每個模塊包含深度可分離卷積層、歸一化層和激活函數層,每個階段之間采用上采樣方法增大特征圖,逐漸恢復圖像的分辨率。
7.根據權利要求1所述的基于泊松融合數據增強的糖尿病視網膜病變分割方法,其特征在于:所述輕量化的aspp模塊是基于傳統aspp做了如下改進:
8.根據權利要求7所述的基于泊松融合數據增強的糖尿病視網膜病變分割方法,其特征在于:所述深度可分離卷積,表達式如下:
9.一種基于泊松融合數據增強的糖尿病視網膜病變分割系統,其特征在于,包括:
10.一種終端設備,包括存儲器、處理器及存儲在存儲器中并能夠在處理器上運行的計算機程序,其特征在于,所述存儲器中存儲有能夠在處理器上運行的計算機程序,所述處理器加載并執行計算機程序時,采用了權利要求1至8中任一項所述的基于泊松融合數據增強的糖尿病視網膜病變分割方法。