改进U型网络的眼底视网膜血管分割方法

发布时间：2021-11-04 05:38

　　当前主流的眼底视网膜血管分割方法存在细微血管细粒度特征很难采集和细节容易丢失的问题。为解决这一问题,设计了一种改进U-Net模型算法,该算法将U-Net上下采样中的原始卷积层改为二次循环残差卷积层,提升了特征的使用效率;在解码部分引入多通道注意力模型,改善了低对比度下细小血管的分割效果。该算法在DRIVE （Digital Retinal Images for Vessel Extraction）和STARE（Structured Analysis of the Retina）两个数据库的准确率分别为96.89%和97.96%,敏感度分别为80.28%和82.27%,AUC（Area Under Curve）性能分别为98.41%和98.65%,较现有的先进算法有一定的提升。本文所提算法能有效提高眼底图像细微血管分割准确率。 

【文章来源】：光学学报. 2020,40(12)北大核心EICSCD

【文章页数】：11 页

【部分图文】：

R2CU示意图

根据（5）式和（6）式，眼底图像信息经上采样池化层输出的稀疏矩阵通过不同级别的分类过滤器进行解码[19]，注意力模块通过对选通信号分析得到与之匹配的相关注意力系数。粗粒度层的过滤器用以获取血管大致走势和形态，细粒度的过滤器应通过特定含义的特征信息（如视网膜血管的分叉处与端点细微处）进行分类，使解码端关注血管特征，弱化背景噪声、病灶干扰等不良因素的影响，以保证其输出结果的稳定性与精准度。AGs在编码端通过跳跃连接跳过池化层与下层卷积层，直接级联到其对应解码端，融合互补信息并采用1×1卷积进行线性变化，改善了深度学习网络中血管细节和缺口自身难以恢复的现象。AGs模型结构如图2所示。2.2 网络结构

本文提出的改进U-Net的模型框架AttR2U-Net(Attention Recurrent Residual U-Net），如图3所示。为保证本文算法具有一定的自适应能力，本文网络保留了U-Net端对端的的网络结构。在编码部分充分重复利用上下文特征信息，在解码部分改善背景噪声的不良影响，以更好地恢复出血管形态结果。但U-Net这种深层网络模型在眼底视网膜图像分割上也存在着问题：当层数过深时会产生梯度消失[20]或者梯度爆炸，且随着网络深度的增加，准确度不但难以提高，反而会迅速退化。这种退化并非由过拟合引起，而是由大量网络层间本身的级联造成的。另外，由于眼底图像可能存在病灶区域或拍摄视角变化等噪声，U-Net无法更好地抑制这类干扰信息，从而在血管分割的结果上仍存在一定的细节丢失。因此，本文在上下采样阶段引入了R2CU，用以改善由于网络层数的增加引起的分割结果准确度退化的问题，强化特征传播，增加特征图的重复利用，从而提升其网络性能。但这种采样方式存在着过度提取特征的问题，抗噪能力有待提升。为更有效地进行信息整合，本文改进了原始U-Net的跳跃连接方式，合并AGs门控系数进行跳跃连接，在增加血管特征信息权重的同时减小非血管区域特征信息的权重，提升其抗噪能力，使血管分割的结果更精准。

【参考文献】：
期刊论文
[1]基于全卷积神经网络的多尺度视网膜血管分割[J]. 郑婷月,唐晨,雷振坤.  光学学报. 2019(02)
[2]大视场手持式免散瞳眼底照相机光学设计[J]. 王晓恒,薛庆生.  光学学报. 2017(09)



本文编号：3475109