(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211253630.0 (22)申请日 2022.10.13 (71)申请人 重庆师范大学 地址 401331 重庆市沙坪坝区大 学城中路 37号 (72)发明人 吕佳　滕昕帅　 (74)专利代理 机构 北京海虹嘉诚知识产权代理 有限公司 1 1129 专利代理师 胡博文 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/82(2022.01) G06V 10/40(2022.01) G06V 10/80(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06T 7/00(2017.01) (54)发明名称 基于多尺度一致性与注意力机制的视网膜 血管分割方法 (57)摘要 本发明公开了一种基于多尺度一致性与注 意力机制的视网膜血管分割方法， 包括： S1.构建 基于多尺度一致性与注意力机制的视网膜血管 分割网络模型； S2.对视网膜血管分割网络模型 进行网络模型训练， 得到训练好的网络模型； S3. 采集待测视网膜血管图像， 并将待测视网膜血管 图像输入到训练好的网络模型， 输出待测视网膜 血管的分割结果。 本发明能够加强对微血管和毛 细血管的构建能力， 抑制了背景等无关像素的权 值且时间 复杂度低。 权利要求书2页 说明书6页 附图2页 CN 115482388 A 2022.12.16 CN 115482388 A 1.一种基于多尺度一致性与注意力机制的视网膜血管分割方法， 其特征在于： 包括如 下步骤： S1.构建基于多尺度一 致性与注意力机制的视网膜血 管分割网络模型； S2.对视网膜血 管分割网络模型进行网络模型训练， 得到训练好的网络模型； S3.采集待测视网膜血管图像， 并将待测视网膜血管图像输入到训练好的网络模型， 输 出待测视网膜血 管的分割结果。 2.根据权利要求1所述的基于多尺度一致性与注意力机制的视网膜血管分割方法， 其 特征在于： 构建基于多尺度一 致性与注意力机制的视网膜血 管分割网络模型， 具体包括： S11.构建以U ‑Net网络模型为架构的初始视网膜血 管分割网络模型； S12.构建注意力细化模块， 并将注意力细化模块嵌入到初始视网膜血管分割网络模型 的瓶颈特 征层； S13.构建上下文特征融合模块， 并将上下文特征融合模块融入到初始视网膜血管分割 网络模型； 所述上下文特征融合模块用于将编码器提取的特征与解码器还原的特征相融 合。 3.根据权利要求2所述的基于多尺度一致性与注意力机制的视网膜血管分割方法， 其 特征在于： 根据如下 方法构建注意力细化模块： S121.对瓶颈特 征中的特 征F进行通道 平均池化操作Pc， 得到通道 平均权重特征X； S122.将通道平均权重 特征X送入两个分支， 一个分支为水平池 化操作Ph， 另一个分支为 垂直池化操作Pw； 所述Ph用于捕获F的每一行 中像素之间的关系， 得到Xh； 所述Pw用于获取每 一列中像素之间的关系， 得到Xw； S123.通过矩阵乘法将水平特 征Xh与垂直特 征Xw相融合， 生成粗注意力图Ar； S124.对粗注意力图Ar进行归一化操作， 使得所有像素位置的权重缩放到(0， 1)之间， 得 到细化后的注意力图A； S125.将权 重重新分配到特 征F中的各个位置， 得到最终特 征FA。 4.根据权利要求3所述的基于多尺度一致性与注意力机制的视网膜血管分割方法， 其 特征在于： 根据如下公式确定最终特 征FA： 其中， σ 为sigmo id操作；·为矩阵乘法， 为哈达玛积， 为矩阵元 素相加。 5.根据权利要求2所述的基于多尺度一致性与注意力机制的视网膜血管分割方法， 其 特征在于： 根据如下 方法构建上 下文特征融合模块： 将来自编码器的特征Fe∈RH×W×C和经过上采样的上一层解码器的特征Fd∈RH×W×C分别作 为上下文特征融合模块的两个输入； 其中， H、 W和C分别代 表特征的长、 宽和通道数； 对特征Fe以及特征Fd进行融合， 得到聚合特 征Ff∈RH×W×2C。 6.根据权利要求5所述的基于多尺度一致性与注意力机制的视网膜血管分割方法， 其 特征在于： 根据如下公式确定聚合特 征Ff： 权　利　要　求　书 1/2 页 2 CN 115482388 A 2其中， fmid表示初步融合的中间特征， ReLU表示神经元的激活函数， 为矩阵元素相 加， σ 为sigmoid操作， 为哈达玛积， Θ代表按通道拼接的操作， We和Wd均表示1×1的卷积核， Wfe 和Wfd则均表示连续1 ×1和3×3卷积核的组合。 7.根据权利要求1所述的基于多尺度一致性与注意力机制的视网膜血管分割方法， 其 特征在于： 对视网膜血管分割网络模型进 行网络模 型训练， 得到训练好的网络模 型， 具体包 括： S21.将全尺寸的视网膜 血管图像Ig作为第一输入并将剪裁后的视网膜血管图像Ic作为 第二输入； S22.使得第 一输入以及第二输入通过视网膜血管分割网络模型中的同一条路径， 采用 设定的优化器对视网膜血 管分割网络模型进行训练， 得到训练好的网络模型。 8.根据权利要求7所述的基于多尺度一致性与注意力机制的视网膜血管分割方法， 其 特征在于： 在网络模 型训练过程中， 通过加入一致性损失Lcon监督每一层解码 器的两个输出 分支使其以保持一致性； 其中， 两个输出分别为第i层的完整输出 和裁剪输出 i＝1, 2,3...； 所述 其中， m代 表解码器的总层数， α 为超参数； Lmse代表均方误差损失， 所述 n表示像素的个数。 9.根据权利要求8所述的基于多尺度一致性与注意力机制的视网膜血管分割方法， 其 特征在于： 计算视网膜血管分割网络模型最后输出的完整输出 与真实标签GT的分割损 失Lseg： Lseg＝β1Ldice(x,y)+β2Lbce(x,y)； 其中， Ldice(x,y)表示Dice损失函数， Lbce(x,y)表示二元交叉熵损失函数， β1和β2为权重 系数。 10.根据权利要求9所述的基于多尺度一致性与注意力 机制的视网膜血管分割方法， 其 特征在于： 将一致性损失Lcon与分割损失Lseg的和作为视网膜血管分割网络模型的整体损 失。权　利　要　求　书 2/2 页 3 CN 115482388 A 3