买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：齐鲁工业大学(山东省科学院);山东省人工智能研究院

摘要：本发明涉及计算机视觉与医学图像处理领域，具体涉及一种结合注意力shift的OCTA图像血管提取方法，包括以下步骤：构建数据集；增强数据集并将其划分，对训练集处理得到处理数据集；将处理数据集输入到网络结构结构进行训练得到训练特征图；通过归一化操作、卷积操作和计算得到最终概率图，与设置的阈值比较得到提取结果图；计算损失对网络结构的各个参数的梯度，并进行优化；读取评价指标最优的参数，将其加载到网络结构中对待处理OCTA图像进行血管的提取得到目标血管，保存最终处理结果。本发明通过训练流程以及网络结构的改进，提高了血管提取的准确度，更好地实现了自动化的OCTA图像血管提取的处理任务。

主权项：1.一种结合注意力shift的OCTA图像血管提取方法，其特征是，包括以下步骤：S1.选用公开的OCTA-500数据集中的投影图像作为数据集S；S2.通过CLAHE算法对数据集S进行增强得到增强数据集Sc，将增强数据集Sc按6∶2∶2的比例划分为训练集Strain、验证集Sval、测试集Stest，将训练集Strain中的数据进行随机裁剪、翻转、旋转操作得到处理数据集Stra＝{s1，s2，...，si，......，sn}，i∈{1，2，...，n}，si表示处理数据集Stra中第i张图像，sn表示处理数据集Stra中第n张图像；S3.将处理数据集Stra输入到网络结构结构进行训练得到训练特征图，网络结构包括编码器部分、特征增强部分、特征融合与解码器部分；所述编码器部分依次设置第一CTB、第一下采样模块、第二CTB、第二下采样模块、第三CTB、第三下采样模块、第四CTB、第四下采样模块；CTB为CASUandTransfomerBlock的简称，包括CASU与Transfomer模块，CTB由两个分支组成，两个分支的连接方式为：将特征图分别到输入两个分支，将两个分支的结果加和得到输出，第一个分支为卷积核大小为3×3普通卷积、BatchNormalization批量归一化、ReLU激活函数的串行，第二个分支为CASU与Restormer中的TransfomerBlock的串行，CTB的计算公式为： 其中，σ·表示BatchNormalization批量归一化与ReLU激活函数的连续操作，表示卷积核大小为3×3、步幅为1、填充为1、膨胀率为1的卷积操作，xi表示第i张图片的输入特征图，Ctb·表示CTB的输出特征图，T·表示Restormer中的TransfomerBlock，Uc·表示CASU，CASU为ConvolutionalandAttentionShiftUnit的简称，是卷积与AttentionShift单元，CASU的计算公式为： 其中，Uc·表示CASU，σ·表示BatchNormalization批量归一化与ReLU激活函数的连续操作，表示卷积核大小为3×3、步幅为1、填充为1、膨胀率为1的卷积操作，xi表示第i张图片的输入特征图，Dw1·、Dw2·均表示卷积核大小为3×3、步幅为1、填充为1、膨胀率为1的深度可分离卷积操作，Ds1·、Ds2·均表示卷积核大小为3×3、步幅为1、填充为4的动态蛇形卷积操作，SE1·、SE2·均表示SEBlock，AS·表示AttentionShift操作；AttentionShift的操作为：将SE1·的到的特征图记作Fs，其通道数记作nc，将SE1·过程中得到的通道注意力系数记作Gori，其中，表示特征图Fs在通道nc的注意力系数，将Gori中注意力系数最低的三分之一的数据向下取整后拿出整合到Gori的子集Gshift中，然后对特征图Fs属于Gshift的通道进行随机shift操作；下采样模块采用最大池化策略；特征提取过程为：1将数据集Stra中的第i张图像si输入到第一CTB，输出得到特征图2将特征图输入到第一下采样模块，输出得到特征图3将特征图输入到第二CTB，输出得到特征图4将特征图输入到第二下采样模块，输出得到特征图5将特征图输入到第三CTB，输出得到特征图6将特征图输入到第三下采样模块，输出得到特征图7将特征图输入到第四CTB，输出得到特征图8将特征图输入到第四下采样模块，输出得到特征图特征增强部分依次设置第一CCB、第二CCB；CCB为CASUandCSAMBlock的简称，包括CASU与CSAM模块，CCB由两个分支组成，两个分支的连接方式为：将特征图分别到输入两个分支，将两个分支的结果加和得到输出，第一个分支为卷积核大小为3×3普通卷积、BatchNormalization批量归一化、ReLU激活函数的串行，第二个分支为CASU与CS-Net中的CSAM的串行，CCB的计算公式为： 其中，σ·表示BatchNormalization批量归一化与ReLU激活函数的连续操作，表示卷积核大小为3×3、步幅为1、填充为1、膨胀率为1的卷积操作，xi表示第i张图片的输入特征图，Ccb·表示CCB的输出特征图，Csam·表示CS-Net中的CSAM，Uc·表示CASU：特征增强过程为：将特征图输入到第一CCB，输出得到特征图A1，再将特征图A1输入到第二CCB，输出得到特征图A2；特征融合与解码器部分一次设置第一上采样模块、第一FFFB、第五CTB、第二上采样模块、第二FFFB、第六CTB、第三上采样模块、第三FFFB、第七CTB、第四上采样模块、第四FFFB、第八CTB，其中，上采样模块采取双线性差值策略；FFFB为Full-scalefeaturefusionmodule的简称，表示全尺度特征融合模块，FFFB由MCU、AttentionGate、SEBlock、Concat拼接操作组成，FFFB的计算公式为： 其中，表示卷积核大小为1×1、步幅为1、填充为0、膨胀率为1的卷积操作，AG·表示AttentionGate、SE·表示SEBlock、Cat·为concat操作、表示第i张图片的输入特征图1，表示第i张图片的输入特征图2，表示第i张图片的输入特征图3，表示第i张图片的输入特征图4，表示第i张图片的输入特征图5，Fffb·表示FFFB的输出特征图，Mcu·表示MCU，MCU为MultipleConvolutionalUnits的简称，表示多卷积单元，MCU的计算公式为： 其中，Mcu·表示MCU，li表示MCU计算过程中的中间变量，表示卷积核大小为1×1、步幅为1、填充为0、膨胀率为1的卷积操作，表示卷积核大小为3×3、步幅为1、填充为1、膨胀率为1的卷积操作，表示卷积核大小为3×3、步幅为1、填充为3、膨胀率为3的卷积操作，表示卷积核大小为3×3、步幅为1、填充为5、膨胀率为5的卷积操作，Dw·表示卷积核大小为3×3、步幅为1、填充为1、膨胀率为1的深度可分离卷积操作，Ds·表示卷积核大小为3×3、步幅为1、填充为4的动态蛇形卷积操作，Cat·为concat操作；S4.对归一化操作后图像si的FAZ标签进行运算得到特征图Final，将特征图Final经过卷积操作得到单通道图，再将单通道图通过Sigmoid函数得到最终概率图，然后设定阈值与像素坐标的像素点比较来判断像素点的所属来源，保存判断后的结果图并计算其损失；S5.通过损失函数计算网络结构的各个参数的梯度，使用优化器，以最小化损失和最优化验证集评价指标为目标对各个参数进行优化；S6.从步骤S5中读取保存的评价指标最优的参数，将其加载到网络结构中对待处理OCTA图像进行血管的提取得到目标血管，保存最终处理结果。

全文数据：

权利要求：

百度查询： 齐鲁工业大学(山东省科学院) 山东省人工智能研究院 结合注意力shift的OCTA图像血管提取方法