基于深度卷积和注意力机制的MTS-Net眼底视杯视盘分割方法

本发明公开了一种基于结合VisionTransformer以及MedNext结构的MTS‑Net神经网络对眼底图像视杯视盘进行联合分割，本方法涉及深度学习和医学图像处理领域，包括：数据处理和分割预测可视化结果网络。整体流程如图1所示，步骤1：所述预处理网络首先对采集图片进行中心裁剪、边缘裁剪以及归一化操作；步骤2：构建分割模型，所述分割模型包括深度卷积模块、多头自注意力模块以及解码模块；其中深度卷积模块包含四个子模块，分别为Depthwise深度卷积模块、特征扩展层、通道缩减模块以及逐点卷积，作为MTS‑Net网络的编码器模块，深度卷积模块分三个阶段对特征进行提取；VisionTransformer模块用于弥补MedNext模块中的卷积在特征提取过程中对全局特征捕捉的不足，解码模块使用与编码模块对称的结构，其主要作用是分三步逐次恢复空间分辨率并进行特征融合，使得后期进行图像分割。步骤3：将步骤4训练后的MTS‑Net网络实现眼底图像视杯视盘的分割任务。本发明用以解决现阶段青光眼筛查中存在的视杯视盘比例估计任务中平衡网络模型预测误差以及训练速度过缓的问题。