基于改进U-Net视网膜血管图像分割算法

发布时间：2022-01-27 11:46

　　针对视网膜图像中血管细小而导致其分割精度低等问题,通过在U-Net网络中引入Inception、空洞卷积与注意力机制等模块,提出一种改进U-Net视网膜血管图像的分割算法。首先,在编码阶段增加Inception模块,采用不同尺度的卷积核对图像进行特征提取,以获得其多尺度信息;然后,在U-Net网络的底部增加级联空洞卷积模块,以在不增加网络参数的情况下扩大卷积操作的感受野;最后,在解码阶段为反卷积操作设计了注意力机制,将注意力机制与跳跃连接方式相结合,聚焦目标特征,以解决权重分散等问题。基于标准图像集DRIVE的实验结果表明,所提算法的平均准确率、灵敏度与特异性较之U-Net算法分别提高1.15%,6.15%与0.67%,也优于其他传统分割算法。 

【文章来源】：光学学报. 2020,40(10)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

经典Inception结构

针对眼底视网膜图像因光照、病变等因素的干扰,图像中细小血管出现分割精度低等问题,提出了一种基于改进的U-Net网络算法。引入Inception模块改善深层网络优化困难的问题,进一步提升网络的泛化能力和网络结构的表达能力;结合级联空洞卷积模块保留多尺度的血管特征,在不增加额外参数的情况下扩大视网膜图像特征映射的感受野,使网络保留更多图像细节以分割出眼底视网膜中较小的血管,有效地防止眼底视网膜血管图像在训练时产生过拟合;在解码阶段引入注意力机制,充分结合U-Net网络跳跃结构,将眼底视网膜图像的底层特征与高层特征相结合,抑制噪声的影响,将目标聚焦在血管特征中,降低在编码阶段因为下采样所导致的视网膜血管信息丢失率,恢复眼底视网膜血管结构,提升视网膜血管分割准确率。基于改进U-Net视网膜血管分割算法模型如图1所示。本文所提算法一共由三个阶段构成,分别是编码阶段、级联空洞卷积、解码阶段。对视网膜数据集进行预处理后输入网络编码部分先经过一个大小为3×3的卷积核,紧接着是4个Inception模块,每一个Inception模块都是由1×1、3×3和2个级联的3×3卷积核并联组成,通过提取不同尺度的视网膜血管特征进行融合,之后,接入一个大小为1×1的卷积核,以减少输入信息的映射数目;在每一个Inception模块后都接入一个大小为2×2,步长为2的最大池化层,目的是将视网膜血管特征图缩小到上一层特征图尺寸的一半;在经过第4个最大池化层后接入一个空洞率分别为1、2、4、8的级联空洞卷积模块,有效融合血管多尺度信息,使网络能够提取出更多细小血管的特征。解码部分是由上采样层、Inception模块和带有跳跃连接的注意力机制组成。上采样层是一个大小为3×3,步长为2的反卷积层,输出的特征图大小和跳跃连接所对应的特征图的尺寸是一样的,但是上采样会造成一部分视网膜血管信息损失,所以接入带有Attention模块的跳跃连接,通过门控信息不仅可以恢复目标信息即将注意力聚焦到血管上降低编码部分的信息损失,还可以解决权重分散等问题。最后通过SoftMax激活函数对眼底视网膜血管与背景图像进行分类,输出血管分割结果。

Inception模块

【参考文献】：
期刊论文
[1]自适应尺度信息的U型视网膜血管分割算法[J]. 梁礼明,盛校棋,蓝智敏,杨国亮,陈新建.  光学学报. 2019(08)
[2]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)
[3]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)
[4]1种视网膜眼底图像增强的新方法[J]. 陈萌梦,熊兴良,张琰,王诗鸣,李广.  重庆医科大学学报. 2014(08)



本文编号：3612427