基于Transformer的视网膜血管分割方法

本发明涉及医学图像处理和深度学习领域，特别涉及基于transformer的视网膜血管分割方法。

背景技术：

1、眼睛作为人体接收和感知外界信息最重要的器官之一，是人类直观获取绝大部分信息的重要来源，它在人们日常的生活、学习、工作中均起着不可替代的作用，因此眼部的健康状况至关重要。视网膜是眼睛最主要的组成部分之一，研究表明除视网膜本身疾病所引起的病变以外，绝大部分眼科方面的疾病都伴随着视网膜的病变，同时视网膜病变还和一些常见的疾病如糖尿病、高血压等有着密切的联系。视网膜血管是人体唯一可以不通过创伤的方式直接观察到的血管，其具备的一些物理特性，如宽度、长度、弯曲程度、细微血管弯曲形态等，十分有利于各种眼科和心脑血管疾病的筛查、诊断和治疗，因此对视网膜眼底血管结构的研究与分析，对于帮助医生临床诊断有着重大的意义。

2、近些年随着人工智能的不断崛起，人们开始使用深度学习技术来取代过去传统的图像处理技术，并取得了很好的效果，许多问题的解决方案都有了不同程度的改善。unet是生物医学应用语义分割领域非常流行的深度学习框架，但对于视网膜血管这种精细分割任务仍具有一定的挑战。u-net++在unet的基础上加入密集的跳跃连接，减少了编码器和解码器的语义差距，在视网膜血管分割任务上有着更好的表现。近年来，许多研究将transformer应用到医学语义分割中，并将transformer和cnn相结合得到更好的分割效果，其中利用cnn提取浅层信息、利用transformer提取深层信息。由于视网膜血管细节较多，且形状不规则，为了提升分割精度，本发明提出一种transformer和unet++相结合的视网膜分割模型。

技术实现思路

1、本发明目的在于提供基于transformer的视网膜血管分割方法，通过提高对深层网络的特征提取能力达到对细小血管更好的分割效果。

2、如图1所示，为了实现以上目的，本发明所采用的技术方案包括以下步骤：

3、s1、获取公开视网膜血管数据集drive数据集。

4、s2、对公开的视网膜血管数据集drive数据集进行数据集的划分，随机分20张作为训练集和20张作为测试集。

5、s3、对drive数据集进行数据预处理，提高图像对比度，为进一步的视网膜血管分割打下基础。

6、s4、对预处理之后的数据集进行扩增。

7、s5、设计transformer卷积块，利用transformer卷积块代替传统卷积块提高模型特征提取的能力。

8、s6、在跳跃连接阶段引入残差cbam注意力机制，更好的融合语义信息和全局上下文信息。

9、s7、使用pytorch深度学习框架搭建视网膜血管分割模型。

10、s8、将预处理后的数据集放入搭建的视网膜血管分割模型中进行训练。

11、s9、训练模型得到最好的训练参数，并将测试集输入到训练好的模型中进行训练，得到最后的分割图。

12、s10、通过对人工分割的视网膜血管图进行比较，计算一系列的评价指标。

技术特征：

1.基于transformer的视网膜血管分割方法，其特征在于，所述方法包括以下步骤：

技术总结本发明提出基于Transformer的视网膜血管分割方法。获取公开数据集并对数据集进行划分，划分为训练集和测试集，同时对数据集进行预处理和数据集扩增。以UNet++结构为基本分割结构，设计Transformer卷积块，利用Transformer卷积块代替传统卷积块提高模型特征提取的能力，并在跳跃连接阶段引入残差CBAM注意力机制，更好的融合语义信息和全局上下文信息。通过PyTorch深度学习框架搭建视网膜血管分割模型，将预处理后的数据集放入搭建的视网膜血管分割模型中进行训练，保存最优参数对测试集进行分割得到最终分割图。本发明使用DRIVE数据集验证所提出的网络对视网膜血管分割的有效性，且具有较优的分割性能。技术研发人员：娄双,李仲生受保护的技术使用者：桂林理工大学技术研发日：技术公布日：2024/10/10