[發明專利]基于豐富上下文網絡的視杯視盤分割方法及成像方法

有效

• 申請號: 202110251870.6
• 申請日: 2021-03-08
• 公開（公告）號: CN112884788B
• 公開（公告）日: 2022-05-10
• 發明（設計）人: 陳再良;顏麗;沈海瀾
• 申請（專利權）人: 中南大學
• 主分類號: G06T7/12
• 分類號: G06T7/12;G06T7/11;G06T7/00;G06V10/44;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 長沙永星專利商標事務所(普通合伙) 43001
• 代理人: 周詠;米中業

1.一種基于豐富上下文網絡的視杯視盤分割方法，包括如下步驟：

S1.獲取現有的彩色眼底圖像數據；

S2.對步驟S1獲取的彩色眼底圖像數據進行處理，從而得到訓練數據集；

S3.構建視杯視盤分割原始模型；具體為采用如下步驟構建視杯視盤分割原始模型：

采用ResNet101網絡作為主網絡：ResNet101網絡包括4個stage，每個stage均包括卷積、下采樣和batch歸一化操作；

將ResNet101網絡中的最后三個stage的特征分別輸入到3個空間金字塔池化模塊，從而提取特征的空間維度的上下文信息；

將3個空間金字塔池化模塊的輸出分別輸入3個壓縮抽取模塊，從而提取特征的通道維度的上下文信息；

將3個壓縮抽取模塊的輸出進行融合，進一步獲取多尺度的上下文信息；

對融合后的每個分支的特征進行1x1卷積操作，從而將通道的維度改變為3；

利用softmax操作將3條分支的預測值進行歸一化；

對歸一化后的3個分支，再分別進行交叉熵監督；

其中，采用如下步驟進行運算并構建壓縮抽取模塊：

通過全局平均池化操作將每個通道的空間信息壓縮成一個標量，得到通道描述子z＝[z₁,...,z_c]，其中f_c為特征的第c個通道，H×W為空間維度的大小，f_c(i,j)為從空間金字塔模塊輸出的特征f在通道c、空間位置(i,j)處的值；

在通道描述符z的基礎上,用兩個全連接層來學習特征f的通道激活程度；設定全連接層的參數為W₁和W₂，計算得到激活向量s＝F_ex(z,W)＝σ(W₂·δ(W₁·z))，W＝{W₁,W₂}，δ()為ReLU激活函數，σ()為sigmoid激活函數；

最終得到用激活度加權的特征表示f_out＝[s₁·f₁,...,s_c·f_c]；

S4.采用步驟S2得到的訓練數據集對步驟S3構建的視杯視盤分割原始模型進行訓練，從而得到視杯視盤分割模型；

S5.采用步驟S4得到的視杯視盤分割模型，對目標彩色眼底圖像進行分割，從而得到最終的視杯視盤分割結果。

2.根據權利要求1所述的基于豐富上下文網絡的視杯視盤分割方法，其特征在于步驟S2所述的對步驟S1獲取的彩色眼底圖像數據進行處理，具體包括對彩色眼底圖像進行隨機鏡像翻轉和尺度縮放，同時將彩色眼底圖像以視盤為中心進行裁剪，得到包括完整視盤區域和設定大小的窗口圖像。

3.根據權利要求1所述的基于豐富上下文網絡的視杯視盤分割方法，其特征在于所述的ResNet101網絡包括4個stage，具體為在ResNet101網絡的第3個stage采用擴張率為2的擴張卷積替代stride卷積，針對第4個stage，采用擴張率為4的擴張卷積替代stride卷積。

4.根據權利要求1所述的基于豐富上下文網絡的視杯視盤分割方法，其特征在于所述的空間金字塔池化模塊，具體包括一個池化層、一個第一卷積層、一個上采樣層、一個通道級聯層和一個第二卷積層；池化層、第一卷積層、上采樣層、通道級聯層和第二卷積層依次串接；池化層采用大小為1x1、2x2、3x3和6x6的4個平均池化層捕獲多尺度上下文，然后將輸出第一卷積層后，再輸出到上采樣層進行上采樣，然后進行通道級聯；最后再通過第二卷積層進行輸出。

5.根據權利要求1所述的基于豐富上下文網絡的視杯視盤分割方法，其特征在于所述的將3個壓縮抽取模塊的輸出進行融合，具體為將第2個stage所對應的分支的特征進行上采樣，然后以元素相加的方式，依次融合第3個stage所對應的分支的特征和第4個stage所對應的分支的特征。