版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领
文档简介
一种基于注意力机制的轻量化视网膜血管本发明公开了一种基于注意力机制的轻量像进行预处理，基于U_Net和全卷积网络构建视血管分割领域中无法有效平衡网络复杂度以及22.根据权利要求1所述的一种基于注意力机制的轻量化视网膜血管分割方法，其特征3.根据权利要求1所述的一种基于注意力机制的轻量化视网膜血管分割方法，其特征将初始5层池化层的U_Net简化为3层池化层的U_Net，对编解码块4.根据权利要求1所述的一种基于注意力机制的轻量化视网膜血管分割方法，其特征级联两个U_Net，将前级网络输出的初始特征图与增强视网膜血管图像进行通道维度5.根据权利要求1所述的一种基于注意力机制的轻量化视网膜血管分割方法，其特征36.根据权利要求1所述的一种基于注意力机制的轻量化视网膜血管分割方法，其特征一个完整的特征是由许多子特征组成的，子特征以组的形式分布在每一层的特征中，X={xm},xiEic为均值c为方差i经过归一化重要系数；45[0002]在基于卷积神经网络的视网膜血管分割算法中，大多数采用全卷积网络(FCN)和Net由捕获上下文的收缩路径和支持精确定位的对称扩展路径组成。在上述两种经典网络[0004]Lian等人设计了用于粗分割的WUN(WeightedU_Net)模块和用于细分割的WRUN[0006]上述方法着重于提高视网膜血管的分割准确度，但没有考虑到模型的复杂度问6[0023]级联两个U_Net，将前级网络输出的初始特征图与增强视网膜血管图像进行通道7为ci经过归一化重要系数；8视网膜血管图像进行对比度受限的自适应直方图均衡化处理，将clipLimit(剪切阈值)设[0077]S2002：本发明采用的数据集主要有低分辨率数据集DRIVE以及高分辨率数据集9[0083]上述设计使初始U_Net的五层结构[64_>128_>256_>512_>1024]简化为三层结构可以继承前级网络的学习经验，从而加速了训练过程并有效的解决了数据不平衡的问题，其利用全局统计特征与局部位置特征之间的相似性在每个特征组内建立一个空间增强机为ci经过归一化重要系数；[0121](1)从测试集中随机选取彩色视网膜图像送入训练好的视网膜血管分割模型中，获得测试集血管分割结果图及分割评估指标参数值。评估指标包括准确性(Acc)、灵敏度
温馨提示
- 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
评论
0/150
提交评论