基于双流网络的视网膜血管分割方法

发布时间：2021-11-07 14:57

　　对视网膜血管形态特征的分析有助于视网膜相关疾病的诊断。为了能够更准确地分割出视网膜血管,提出一种基于双流网络的分割视网膜血管的方法。首先用具有编码器-解码器结构的卷积神经网络分别对整个血管和细血管进行分割;再将所得到的两个预测图进行融合,对融合后的图像去除伪影和噪声,得到最终的血管分割图。由于单独对细血管进行了分割,因此所提方法可以更有效地分割出一些难以识别的视网膜血管边缘和低对比度区域的细血管像素。实验结果表明,所提方法在DRIVE、STARE和CHASE_DB1三个数据库上的灵敏度分别达到0.8062、0.8308和0.8135,在性能上比其他方法更优。 

【文章来源】：光学学报. 2020,40(04)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

所提方法整体框架

图1 所提方法整体框架与原始映射H(x）相比，拟合残差映射F(x)=H(x)-x相对来说更容易。残差网络结构如图3所示，残差网络可以将前向神经网络输入通过“捷径”与输出连接，这相当于进行了恒等映射。残差学习不会增加额外的参数和计算复杂度，但最终的错误率不会因为深度的增加而变差。本文编码器-解码器结构的CNN模型结合了残差网络，可加深网络的深度，且能提升网络性能。

与原始映射H(x）相比，拟合残差映射F(x)=H(x)-x相对来说更容易。残差网络结构如图3所示，残差网络可以将前向神经网络输入通过“捷径”与输出连接，这相当于进行了恒等映射。残差学习不会增加额外的参数和计算复杂度，但最终的错误率不会因为深度的增加而变差。本文编码器-解码器结构的CNN模型结合了残差网络，可加深网络的深度，且能提升网络性能。本文编码器-解码器结构的CNN模型如图1所示。编码器利用池化层将输入的图像不断地转换到更小的特征维度，解码器是尽量将小的图片特征维度信息上采样到与专家手动分割图一致。本文架构参考了U-Net[17]模型，由于编码过程中图像信息存在丢失且解码过程很难详细地恢复原有的图像信息，因此通过将编码层的映射再次引入到解码层中来弥补编码过程中图像信息的损失。本文在U-Net的基础上进行了改进，减少编码和解码的模块，增加网络的深度，并与残差网络的“捷径”结合，构建由卷积层、池化层、反卷积层、“捷径层”和非线性激活函数（ReLU）组成的网络模型。分割过程中通过卷积运算来提取图像特征，定义Win和bin分别为第n个卷积层中第i个卷积核的权重和偏差，则第n层卷积输出Fin为

【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]基于改进卷积神经网络的视网膜血管图像分割[J]. 吴晨玥,易本顺,章云港,黄松,冯雨.  光学学报. 2018(11)
[3]彩色眼底图像视网膜血管分割方法研究进展[J]. 朱承璋,邹北骥,向遥,严权峰,梁毅雄,崔锦恺,刘晴.  计算机辅助设计与图形学学报. 2015(11)



本文编号：3482058