融合残差注意力机制的UNet视盘分割

发布时间：2021-09-27 18:59

　　目的青光眼和病理性近视等会对人的视力造成不可逆的损害,早期的眼科疾病诊断能够大大降低发病率。由于眼底图像的复杂性,视盘分割很容易受到血管和病变等区域的影响,导致传统方法不能精确地分割出视盘。针对这一问题,提出了一种基于深度学习的视盘分割方法 RA-UNet（residual attention UNet）,提高了视盘分割精度,实现了自动、端到端的分割。方法在原始UNet基础上进行了改进。使用融合注意力机制的Res Net34作为下采样层来增强图像特征提取能力,加载预训练权重,有助于解决训练样本少导致的过拟合问题。注意力机制可以引入全局上下文信息,增强有用特征并抑制无用特征响应。修改UNet的上采样层,降低模型参数量,帮助模型训练。对网络输出的分割图进行后处理,消除错误样本。同时,使用Dice Loss损失函数替代普通的交叉熵损失函数来优化网络参数。结果在4个数据集上分别与其他方法进行比较,在RIM-ONE（retinal image database for optic nerve evaluation）-R1数据集中,F分数和重叠率分别为0.957 4和0.918 2,比UNet分别... 

【文章来源】：中国图象图形学报. 2020,25(09)北大核心CSCD

【文章页数】：15 页

【部分图文】：

残差连接单元

深度学习往往需要大规模数据来进行网络模型的训练和优化，但是在医学图像分割领域，有逐像素标注的图像数量往往很少。在小规模数据集上训练网络模型往往会出现过拟合问题。同时，让医生进行像素标注是耗时和乏味的，且容易受医生的主观影响。当医生累的时候，也常常会有错误的判断。迁移学习可以解决数据量少导致的深度卷积神经网络模型不好训练的问题。首先在大规模的图像数据集上(例如ImageNet)进行网络训练，然后在小规模数据集上微调该模型。可以大大降低训练模型所需的时间，并且取得更好的结果。2 改进的网络模型

分割彩色眼底图像视盘区域过程如图3所示，输入图像为RGB 3通道的彩色图像，先将其输入网络模型中，输出分割好的视盘区域图像。其中，视盘区域为白色，背景区域为黑色，实现了自动、端到端的图像分割。然后经过后处理操作，就得到了更精细化的视盘分割图。2.1 注意力机制

【参考文献】：
期刊论文
[1]基于多圆快速分割眼底视盘的自动算法[J]. 吴鑫鑫,肖志勇.  光学技术. 2018(05)
[2]基于视觉显著性和旋转扫描的视盘分割新方法[J]. 曹新容,薛岚燕,林嘉雯,余轮.  生物医学工程学杂志. 2018(02)



本文编号：3410459