基于多尺度残差卷积神经网络的视杯视盘联合分割

发布时间：2021-12-12 03:05

　　青光眼是不可逆性失明的首要原因,早期症状不明显,容易被忽视,因此青光眼早期筛查尤为重要。杯盘比是临床上用于青光眼筛查的重要指标,所以精准分割视杯视盘是计算杯盘比的关键。本文提出了一种基于全卷积多尺度残差神经网络的视杯视盘分割方法。首先,对眼底图像进行对比度增强,并引入极坐标变换。随后,构造W-Net作为主体网络,用带残差多尺度全卷积模块来替代标准卷积单元,输入端口加入图像金字塔来构造多尺度输入,侧输出层作为早期的分类器生成局部预测输出。最后,提出了一种新的多标签损失函数来指导网络分割。实验采用REFUGE数据集验证,最终视杯、视盘分割的平均交并比分别为0.904 0、0.955 3,重叠误差分别为0.178 0、0.066 5。结果表明,该方法不仅实现了视杯视盘联合分割,而且有效提高了其分割精度。该方法将有助于大规模青光眼早期筛查的推广。 

【文章来源】：生物医学工程学杂志. 2020,37(05)北大核心EICSCD

【文章页数】：10 页

【部分图文】：

不同眼底照相机拍摄的眼底图像

眼底图像和标注图像的预处理过程

借鉴U-Net[25]、M-Net[26]，本文将两个U-Net进行级联作为网络的主体，如图3所示。U-Net是一种高效的生物医学图像分割的全卷积神经网络，由编码路径和解码路径两部分组成，但是对于较复杂的多标签任务，往往U-Net的分割精度不高，本文主网络是将两个U-Net进行级联，前U型网络为后U型网络提供了较为浅层的语义表达，后U型网络对前U型网络提供的浅层信息进行进一步语义抽象与增强。这种结构加深了神经的深度，从而使得网络能在训练过程中学习到更多深层结构信息和更加抽象的语义信息；再加之网络中的跳跃连接，可以实现网络中同一尺度深、浅不同层次之间的语义信息融合和减少不同语义之间的语义鸿沟，来指导网络提取深层的可分性语义表示。此外，浅层特征可最大程度保留图像原始的结构信息，而深层特征则包含更多抽象结构信息，两者进行融合有利于在最后的卷积通道中恢复目标中的空间维数和结构细节，进而提高分割精度。1.3.2多尺度输入层

【参考文献】：
期刊论文
[1]改进区域生长算法在视杯图像分割中的应用[J]. 刘振宇,汪淼.  辽宁大学学报(自然科学版). 2017(02)
[2]基于眼底结构特征的彩色眼底图像视盘定位方法[J]. 肖志涛,邵一婷,张芳,温佳,耿磊,吴骏,尚丹丹,苏龙,单春艳.  中国生物医学工程学报. 2016(03)
[3]基于定向局部对比度的眼底图像视盘检测方法[J]. 郑绍华,陈健,潘林,余轮.  中国生物医学工程学报. 2014(03)



本文编号：3535892