基于神经网络的眼底微动脉瘤图像自动分割方法、装置及系统

1.一种基于神经网络的眼底微动脉瘤图像自动分割方法，其特征在于：包括，图像预处理，对原始图像进行预处理，以消除颜色不均所带来的干扰；

2.根据权利要求1所述的基于神经网络的眼底微动脉瘤图像自动分割方法，其特征在于，使用otsu阈值算法处理冗余信息、从rgb眼底图像中选择绿色通道来检测视网膜微动脉瘤、采用clahe算法增强绿色通道的对比度、对图像亮度进行伽马校正、对图像进行非局部均值去噪。

3.根据权利要求1或2所述的基于神经网络的眼底微动脉瘤图像自动分割方法，其特征在于，所述的端到端的特征提取网络为tuned-psp-unet模型，至少包括，

4.根据权利要求3所述的基于神经网络的眼底微动脉瘤图像自动分割方法，其特征在于，损失函数为组合损失函数具体如下式：

5.根据权利要求3所述的基于神经网络的眼底微动脉瘤图像自动分割方法，其特征在于，nam模块使用批量归一化bn中的比例因子γi和λi来衡量每个通道和空间的方差并表示它们重要性，比例因子越大表示空间或者通道的特征越重要，在反向传播时在损失函数中加入了正则化惩罚项来抑制不显著性特征的权值，使网络获得更多注意力去关注权值较大的重要通道和空间特征；bn计算如公式(1)所示：

6.根据权利要求5所述的基于神经网络的眼底微动脉瘤图像自动分割方法，其特征在于，比例因子γi的权重wi反映出各个通道变化的大小并表示了通道的重要程度，通道注意力机制公式如公式(2)所示：

7.根据权利要求5或6所述的基于神经网络的眼底微动脉瘤图像自动分割方法，其特征在于，在空间注意力中，将bn公式(1)应用在空间维度，比例因子γi的权重wi反映出空间变化的程度并表示了空间的重要性，比例因子γi的权重wi越大，该空间像素的方差就越大，表示空间变换的越厉害，包含的空间信息越丰富，空间显著性重要程度越大，权重越小表示空间变化越小，所含空间特征信息也就越单一，空间的显著性重要程度就越小，空间注意力机制的计算公式可表示为：

8.一种基于神经网络的眼底微动脉瘤图像自动分割装置，其特征在于，包括存储器、控制处理器及存储在所述存储器上并可在所述控制处理器上运行的计算机程序，所述控制处理器执行所述程序，以实现如权利要求1-7任一项所述的基于神经网络的眼底微动脉瘤图像自动分割方法。

9.一种控制系统，其特征在于，包括权利要求8所述的基于神经网络的眼底微动脉瘤图像自动分割装置。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1-7任一项所述的基于神经网络的眼底微动脉瘤图像自动分割方法。