结合注意力机制和多路径U-Net的视网膜血管分割

摘要：

针对现有算法无法精确分割细微血管末端,且分割结果易受光学造影与病变区域影响的问题,提出一种结合注意力和多路径U-Net的视网膜血管分割算法.首先,设计一个双路径U-Net,通过纹理与结构分支提取粗和细粒度血管,并使用语义指导模块充分融合深浅层特征;其次,采用一种引入注意力机制和DropBlock的残差模块来代替普通卷积模块,改善处于复杂背景区域中血管的分割效果,防止过拟合;最后,将双路径U-Net的输出图与原图传入特征细化模块进行特征提取和融合,进一步细化血管分割结果.在DRIVE,STARE和CHASEDB1数据集上的实验结果表明,该算法的准确率分别为97.01％,96.43％和97.52％;灵敏度分别为80.31％,84.38％和81.61％;受试者工作特性曲线下方的面积(AUC)分别为98.67％,98.06％和98.83％,综合分割性能优于其他算法.

关键词：图像分割、视网膜血管、多路径U-Net、注意力机制、残差模块

所属期刊栏目：35

分类号：TP391.4(计算技术、计算机技术)

资助基金：河北省自然科学基金F2021202038

在线出版日期：2023-03-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：55-65