(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 202210619322.9 (22)申请日 2022.05.31 (71)申请人 河南工程学院 地址 451191 河南省郑州市新郑 龙湖镇祥 和路1号 (72)发明人 黄全振　高继勋　赵媛媛　庆雨豪　 高振东　井彦波　李新　张帅　 杨颖辉　 (74)专利代理 机构 郑州金成知识产权事务所 (普通合伙) 41121 专利代理师 郭晓昂 (51)Int.Cl. G06V 40/14(2022.01) G06V 10/26(2022.01) G06V 10/40(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于双注意力多尺度特征融合的视网膜血 管图像分割方法 (57)摘要 本发明公开了一种基于双注意力多尺度特 征融合的视网膜血管图像分割方法， 通过设计的 一个自适应校准权重特征的特征融合残差模块， 避免了梯度弥散、 网络退化的同时有效提取了图 像的细节信息， 并在主干特征提取网络中多次使 用SA注意力模块和ECA注意力模块， 自适应选择 聚焦位置， 产生更具分辨性的特征表示； 同时将 网络不同层次的信息融合， 用长程和短程的特征 交互方式聚合低层和高层的特征信息， 有效的提 升了分割性能。 权利要求书2页 说明书6页 附图2页 CN 115063844 A 2022.09.16 CN 115063844 A 1.一种基于双注意力多尺度特 征融合的视网膜血 管图像分割方法， 其 步骤是： S1、 依次通过C_B_R模块、 SA(Shuffle  Attention)模块和C_B_R模块对输入的图像进行 网络特征自适应分配和聚合处 理， 获得特征图F1； S2、 依次通过SA模块、 C_B_R模块、 Block1模块和C_B_R模块对特征图F1进行网络特征自 适应分配、 特 征校准和聚合处 理， 获得特征图F2； S3、 依次通过SA模块和C_B_R模块对特征图F1进行网络特征自适应分配和聚合处理， 获 得特征图F4； S4、 依次通过B lock1模块、 C_B_R模块和UPSa(UPSamp ling)模块对特征图F2进行网络特 征自适应分配、 特 征校准和上采样处 理， 获得特征图F3； S5、 依次通过ECA模块和UPSa模块对特征图F2进行网络特征自适应分配和上采样处理， 获得特征图F5； S6、 特征图F4和特 征图F5相加后再同特 征图F3进行Co ncat操作获得 特征图F6； S7、 特征图F6依次经过两个C_B_R模块和一个UPSa模块进行网络特征自适应分配和上 采样处理得到最终的输出 结果。 2.根据权利要求1所述的一种基于双注意力多尺度特征融合的视网膜血管图像分割方 法， 其特征是： 所述C_B_R模块包括二维卷积(Cov2D)模块、 BN(Batch  Normaliz ation)模块 和Relu激活函数模块。 3.根据权利要求1所述的一种基于双注意力多尺度特征融合的视网膜血管图像分割方 法， 其特征是： 所述SA模块的处 理过程为： (1)、 沿着通道方向将输入特征图X∈RC×H×W分成G组， 其中， X＝[X1, …,XG],Xk∈RC/G×H×W， C表示通道数， H表示特 征图的高度， W表示特 征图的宽度； (2)、 将每组子模块分别输入并行的空间注意力模块和通道注意力模块， 分别获得通道 注意力结果A tch和空间注意力结果A tsa； (3)、 通过Concat操作对获得的通道注意力结果Atch和空间注意力结果Atsa进行拼接， 得 到重新分配特 征图的权 重信息。 4.根据权利要求3所述的一种基于双注意力多尺度特征融合的视网膜血管图像分割方 法， 其特征是： 所述通道注意力结果A tch的获得过程为： (1)、 使用全局平均池化(GAP)来嵌入 全局信息， 生成Sc∈RC/2G×1×1的特征图， 其定义 为： (2)、 通过门控机制和sigmo id激活函数输出最终的通道 注意力结果： Atchk1＝σ(Fc(Sc))·Xk1＝σ(W1Sc+b1)·Xk1      (2) 其中， W1∈RC/2G×1×1， b1∈RC/2G×1×1用于移动和缩放Sc。 5.根据权利要求3所述的一种基于双注意力多尺度特征融合的视网膜血管图像分割方 法， 其特征是： 所述空间注意力结果A tsa的获得过程为： (1)、 对分组后的特 征图Xk2使用Group  Norm， 获取空间统计数据； (2)、 使用Fc(·)增强特征图的信息表示。 整体过程如下式所示： Atsak1＝σ(W2·GN(Xk2)+b2)·Xk2       (3)权　利　要　求　书 1/2 页 2 CN 115063844 A 2其中， W2∈RC/2G×1×1， b2∈RC/2G×1×1。 6.根据权利要求1所述的一种基于双注意力多尺度特征融合的视网膜血管图像分割方 法， 其特征是： 所述E CA模块的处 理过程为： (1)、 对输入特 征图进行全局平均池化操作； (2)、 通过 大小为K的卷积核 进行跨信道一维卷积 操作； (3)、 经过sigmoid激活函数后与输入特 征图相乘输出。 7.根据权利要求1所述的一种基于双注意力多尺度特征融合的视网膜血管图像分割方 法， 其特征是： 所述Block1模块包括Cov2D模块、 BN(Batch  Normalization)模块、 Relu激活 函数模块和E CA‑Ne模块， 具如下式所示： y＝R(x+A tE(BN(Cov(R(BN(Cov(x) ))))))       (4) 其中， x表示输入特征图， y表示输出特征图， R表示Relu激活函数， BN表示Batch   Normalization， Cov表示 二维卷积 操作。权　利　要　求　书 2/2 页 3 CN 115063844 A 3