一种基于全尺度单阶段解码的视网膜血管分割方法

本发明属于图像特征提取与分割方法，特别是涉及一种基于全尺度单阶段解码的视网膜血管分割方法。

背景技术：

1、全卷积神经网络（fcn）已在图像分割领域，尤其是语义分割任务中成为主流方法。其核心优势在于能够接受任意尺寸的输入图像、具备高效的计算效率，并能实现像素级的精确分割。

2、自2015年 fcn 首次提出以来，学术界已开展了大量相关研究与实验，并在此基础上衍生出一系列经典模型，其中以 u-net 及其各类改进的 u 型网络最具代表性。这些模型在 fcn 架构的基础上，通过加深网络层数以提升视网膜血管分割的精度。

3、然而，在面对病变视网膜图像时，血管断点、分叉缺失以及结构性误判等问题仍然是当前方法难以有效克服的挑战。现有分割模型在病变视网膜上表现不佳，主要原因可归纳如下：①逐层解码机制难以兼顾微血管重建与部署效率。传统 u 型架构依赖逐层解码重建分割图，难以有效捕捉和恢复细小血管。更重要的是，传统级联解码辅以跳跃连接的设计引入了大量冗余参数，制约了模型的临床部署。②跨尺度融合模块复杂冗余，且无法根除解码伪影。为弥补浅层细节与深层语义之间的鸿沟，现有方法往往堆砌复杂的注意力机制与多级融合策略，造成参数冗余，并且无法根除伪影。伪影的根源在于解码器本身的结构性缺陷，而非融合策略不足。③各向同性特征提取引入大量背景噪声。传统的卷积网络主要依赖具有方形感受野的各向同性卷积核进行特征聚合。然而，视网膜血管具有高度弯曲、细长且各向异性的复杂形态学特征。采用对称方形核提取血管特征时，往往会融入大量的视网膜背景背景噪声或病变干扰，缺乏长距离拓扑依赖的建模能力，容易造成局部血管预测的误判或不连续。

4、因此，如果能够针对以上限制设计一种分割模型，使得全卷积网络对于视网膜血管的分割更加的准确，那么将使全卷积网络在视网膜疾病的诊断与治疗领域中的进一步应用成为可能。

5、经过检索，申请公开号cn115049682a提出了一种基于多尺度密集网络的视网膜血管分割方法，该方法基于传统的编码解码结构构建多尺度密集网络模型来进行特征提取和血管分割。虽然该方法在一定程度上提升了分割精度，但此类传统多尺度级联解码架构仍存在明显的技术缺陷与不足： ① 逐层级联解码会导致微细血管拓扑断裂并产生伪影：传统架构依赖逐层上采样机制来重构分割图，这种多级上采样和误差累积极易导致末梢细小血管的结构发生形变和断裂，进而产生难以消除的解码伪影。 ② 复杂的密集融合模块冗余度高，不利于临床轻量化部署：为弥补浅层与深层之间的语义鸿沟，对比专利往往堆砌密集的跨尺度特征融合操作，这不仅无法改善解码器本身的结构性缺陷，反而引入了大量的冗余参数和较大的计算开销，难以在计算资源受限的临床便携式设备上进行部署。 ③ 各向同性卷积缺乏对管状结构的拓扑建模能力：传统网络主要依赖各向同性的方形卷积核，缺乏对视网膜血管这种高度弯曲、细长且各向异性形态的长距离拓扑连续性感知，容易引入病变或光照不均等视网膜背景噪声干扰。

6、针对上述现有技术的缺陷与不足，本发明提出了一种基于全尺度单阶段解码的视网膜血管分割方法，具体的解决手段如下：

7、1.打破级联解码范式，提出全尺度单阶段解码策略：针对逐层解码带来的拓扑断裂和参数冗余问题，本发明通过轻量级投影模块将所有深浅层级的编码特征一步对齐至目标空间分辨率，进行全局的单阶段直接融合。这避开了多级上采样导致的误差放大和结构形变，在大幅缩减网络参数量的同时，保障了微细血管的完整连通性。

8、2.引入海森感知门控融合机制，过滤背景伪影：针对密集融合引入噪声和伪影的问题，本发明直接从浅层高分辨率特征中挖掘零参数的连续血管边缘海森

9、物理结构先验。利用该物理先验结合自适应门控机制，能够精准剥离和过滤深层语义特征中的背景杂波与病变伪影，降低了在低对比度环境下的假阳性误判率。

10、3.设计非对称管状重参数化模块，兼顾管状感知与零成本加速推理：针对各向同性卷积建模受限及部署难题，本发明在训练阶段利用多分支非对称结构显式学习细长管状血管的各向异性拓扑特征。而在测试部署阶段，利用结构重参数化技术将其等效合并为单一的标准7×7卷积，在不增加任何额外推理计算开销的前提下实现了高精度的分割，完全契合临床轻量化高效部署的需求。

技术实现思路

1、本发明旨在解决以上现有技术的问题。打破传统的层级级联解码范式，在降低模型参数量的同时提升细微血管的分割连通性。

2、提出了一种基于全尺度单阶段解码的视网膜血管分割方法。本发明的技术方案如下：

3、一种基于全尺度单阶段解码的视网膜血管分割方法，其包括以下步骤：

4、步骤1：获取待分割的眼底彩照图像，并进行灰度变换、标准化、对比度受限直方图均衡化和伽马矫正的预处理操作，将预处理后的图像输入至骨干特征提取网络中进行下采样，获得多层级的视网膜血管编码特征；

5、步骤2：构建全尺度单阶段解码网络，所述全尺度单阶段解码网络主要包括轻量级投影模块、海森感知门控融合模块以及非对称管状重参数化模块；通过所述轻量级投影模块，将步骤1中提取的所有层级的编码特征统一映射至相同的通道数和空间分辨率，通过双线性插值进行尺度对齐，得到统一空间域下的全尺度观测特征集；

6、步骤3：引入海森感知门控融合模块，从所述全尺度观测特征集的高分辨率浅层特征中提取视网膜血管的管状物理结构先验，并通过先验门控网络对低分辨率深层语义特征进行背景伪影过滤与自适应残差增强，实现单阶段的特征解码融合，得到融合特征 ；

7、步骤4：将融合特征  输入至非对称管状重参数化模块中，在训练阶段利用包含异向性多分支的非对称卷积显式学习细长视网膜血管的拓扑连续性，并在测试部署阶段将多分支等效转换为单层标准  卷积进行无损加速推理；

8、步骤5：设定联合损失函数bce-dice loss对网络模型进行迭代训练，直至网络收敛得到训练好的视网膜血管分割模型；

9、步骤6：将待测试的眼底图像输入至训练好的视网膜血管分割模型中，输出高连通性的血管像素级分割结果。

10、进一步的，所述步骤2中的轻量级投影模块具体为：

11、将第  层的编码特征  依次经过  卷积层、隐藏层  卷积层、批归一化层和 relu 激活函数统一通道维度至统一特征通道维数 ，随后通过双线性插值操作同步映射至目标图像分辨率 ，得到全尺度观测特征集 ，其中， 为骨干网络输出的总层级数；该全尺度映射过程通过下式表达：

12、

13、

14、上式中， 表示输入特征图，bn 表示批量归一化， 表示 relu 激活函数，表示  卷积层 ，表示 卷积层， 表示双线性插值操作，h 和 w 分别代表插值后的目标高度和宽度。

15、进一步的，所述步骤3中的海森感知门控融合模块具体包括以下步骤：

16、将全尺度观测特征集  按照原始分辨率划分为浅层特征子集  与深层特征子集 ，分别利用  卷积进行通道维度压缩并使用 relu 激活函数和批归一化处理，分别聚合得到浅层结构表示  与深层语义表示 ，并对深层表示施加二维空间 dropout 获得正则化特征 ，公式表达为：

17、

18、

19、其中， 表示通道维度的拼接， 和  表示  卷积核；

20、构建零参数海森先验提取器，将多通道浅层特征  通过算术平均压缩为单通道结构场 ，使用固定的拉普拉斯离散差分算子  作为物理内核与 进行卷积运算，并通过温度标定的 sigmoid 函数映射得到连续可微的视网膜血管边缘海森结构先验 ：

21、

22、

23、上式中， 为敏感度调节因子，取值为10，；

24、构建先验门控网络 ，将 、 以及  进行通道拼接作为输入，通过多层卷积自适应计算在目标边界处的门控权重图；利用得到的门控权重图对深层语义特征进行背景伪影过滤与自适应残差增强得到净化后的特征 ，最后将浅层细节与净化后的深层特征直接进行单阶段拼接融合，得到融合特征 ：

25、

26、

27、

28、上式中， 表示标准的 sigmoid 激活函数， 表示 hadamard 积， 与 分别表示  和  的卷积操作。

29、进一步的，所述步骤4中的非对称管状重参数化模块具体为：

30、在训练阶段，构建由标准  卷积分支 、水平各向异性  卷积分支 、垂直各向异性  卷积分支  以及恒等映射直连分支  组成的四分支并行非对称结构，各个分支不包含偏置项，其 conv-bn 级联前向传播过程和多方向拓扑特征叠加输出  表示为：

31、

32、

33、其中 表示融合特征图，  为对应分支批归一化层的可训练参数和运行统计量，表示特定类型的卷积操作与批归一化结合的组合操作块，表示卷积层的权重张量，表示在批归一化公式中，为了防止分母为零并保证数值计算稳定性而引入的一个极小常数（通常设定为一个非常小的值，如 ）；

34、在测试部署阶段，利用结构重参数化技术，将各分支的批归一化层参数完全融合到卷积核权重和偏置中，获得单分支等效内核  和等效偏置 ，对于恒等映射直连分支使用  的狄拉克张量进行等效变换；随后通过零填充操作  将所有分支的等效特征矩阵对齐至统一的  空间尺寸，并将对齐后的权重与偏置进行线性叠加，合并为单个标准的  卷积层：

35、

36、

37、

38、

39、

40、其中，令下标  分别代表不同的卷积和恒等映射分支。 和  分别表示各分支在融合对应批归一化层参数后的等效卷积核权重与偏置； 表示边界补零操作（其下标依次代表在上、下、左、右空间维度填充 0 的圈数）； 表示各分支等效权重经过补零对齐统一尺寸后的转换卷积核； 和  则分别表示多分支结构最终合并得到的全局等效单一卷积核与偏置。

41、最终部署输出表示为：

42、

43、以此在部署推理时实现零额外计算开销的视网膜血管各向异性拓扑连通性感知。

44、一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如任一项所述的一种基于全尺度单阶段解码的视网膜血管分割方法。

45、一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如任一项所述的一种基于全尺度单阶段解码的视网膜血管分割方法。

46、本发明的优点及有益效果如下：

47、本发明打破层级解码范式，有效缓解了解码伪影。本发明摒弃了传统的逐层级联上采样的重构链路，通过全尺度单阶段解码策略将所有编码特征一步对齐至目标统一空间分辨率进行全局直接融合。该设计避开了常规解码器中多级上采样导致的误差放大和结构形变，缓解了解码伪影的生成，保障了微细血管的完整拓扑连通性。

48、零参数海森先验提取器自适应引导，显著抑制背景噪声。本发明创新的海森感知门控融合模块巧妙利用离散海森物理差分算子直接从浅层高分辨率特征中挖掘出高频的连续血管边缘先验锚点。配合高度动态的门控自适应机制，能精准剥离和过滤由于上采样插值或眼底病变带来的背景杂波，从而使得模型在极低对比度环境下对毛细血管的假阳性噪声率下降。

49、轻量化和加速推理，契合临床轻量部署。本发明设计的非对称管状重参数化模块在训练阶段使用异向非对称多分支结构强化对管状边界的定向敏感度，而在实际临床测试部署时通过重参数化线性融合为单层卷积层。若结合轻量级主干网络(如 mobilevit-xxs)，模型仅需 1.02m 的极小参数量和 1.03g flops 的计算开销即可实现具有竞争力的分割精度，具备在便携式无线眼科临床设备上大规模部署和快速推理的实用价值。