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！

摘要：一种基于注意力机制的变异UNet视网膜分割方法，该模型方法首先在网络的编解码阶段使用结构化卷积注意力模块DC‑Conv对视网膜血管特征进行通道增强；之后在网络的跳跃连接处引入了改进注意力门AG+模块对视网膜血管特征进行空间增强；之后采用SoftPool池化方法，减少下采样过程中的信息损失。

主权项：1.一种基于注意力机制的变异UNet视网膜分割方法，其特征在于：包括网络模型、注意力模块和改进注意力门模型；所述注意力模块还包括卷积注意力模块、交叉融合通道注意力模块和多层感知机MLP模块；交叉融合通道注意力模块是包含在卷积注意力模块中的，其嵌入在卷积注意力模块的尾部；所述网络模型融合了交叉融合通道注意力模块、改进注意力门模型以及SoftPool池化方法；利用全剧最大池化对特征图压缩处理；接着将得到的全局和平均池化结果送入具备特征交叉机制的多层感知机MLP模块中学习，输出结果并进行加操作；最后通过sigmoid函数映射之后得到最终的通道注意力权重；所述交叉融合通道注意力模块，将全局均值特征与最大池化特征权重以一定组合放入Product层交叉相乘，使得视网膜血管中全局与局部特征进行特征交叉之后进行学习，以弥补局部细节特征；所述改进注意力门模型是以两个特征映射作为输入：第一个是上采样过程中的特征g；第二个是跳跃连接时的特征xl；两个输入特征经过1×1×1的卷积操作后得到大小不变、通道数为C的特征图后进行相加操作；随后通过ReLU激活函数得到中间特征图，再经过1×1的卷积操作以及Sigmoid激活函数和重采样，得到注意力系数α；所述网络模型为四层的Encode-Decode结构，网络模型包括左侧的编码模块、中间的跳跃连接模块和右侧的解码模块；首先，编码操作，将预处理后的眼底图像输入到网络的编码模块；编码模块中包含卷积注意力模块和SoftPool下采样池化操作；编码模块中有三次这样的操作：图片先经过卷积注意力模块中提取特征，然后利用SoftPool进行下采样操作；其次，解码操作，进行与编码模块相对称的解码模块操作；在这个过程中同样包含三次反卷积上采样操作，解码模块的每一步均包含一个卷积注意力模块和一个反卷积层，将特征图与对应的编码模块特征图进行跳跃连接，在特征连接过程中加入所述改进注意力门模型，对特征图进行增强，以加强对细节区域的分割能力，提升分割精度；最后，分割操作，利用全连接层及激励函数将视网膜图像血管从背景中分割出来，并输出分割结果；在网络的编解码阶段使用卷积注意力模块对视网膜血管特征进行通道增强；之后在网络的跳跃连接处引入了改进注意力门模块对视网膜血管特征进行空间增强；之后采用SoftPool池化方法，减少下采样过程中的信息损失；交叉融合通道注意力模块分为五个步骤：1挤压：定义具有M个特征通道的特征图，得到由全局最大池化和平均池化形成的张量Fmax和Favg，利用Sigmoid分别得到全局最大池化和平均池化厚的特征通道的权重张量Amax和Aavg；Amax＝SigmoidFmax1Aavg＝SigmoidFavg22特征交叉：将经过压缩得到的四个张量送入Product层，进行四次特征交叉，目的是融合全局与局部特征；四次特征交叉操作得到四个张量，具体公式所示： 3激励：分别将这四个张量送入MLP模块中进行特征学习，MLP模块是共享权重系数的；经过MLP模块之后，得到了4个Attention系数，分别为A1，A2，A3，A4， 4特征加权求和：为了使得通道之间的依赖关系既包含全局特征又包含局部细节特征；对所得到的四个通道重要性权值进行加权操作，并使用Sigmoid函数使新的通道特征权值在0-1之间，得到的新的通道特征权重表示为：A＝SigmoidA1+A2+A3+A455重标定：利用特征权重A对原特征图进行重新标定，得到的新的特征图F’

全文数据：

权利要求：

百度查询： 武汉软件工程职业学院(武汉开放大学) 一种基于注意力机制的变异UNet视网膜分割方法