基于编解码结构的多特征融合眼底图像分割

摘要：

为解决现有眼底图像分割方法对于细微血管存在低分割精度和低准确率的问题,提出一种基于编解码结构的U-Net改进网络模型.首先对数据进行预处理与扩充,提取绿色通道图像,并将其通过对比度限制直方图均衡化和伽马变换以增强对比度;其次训练集被输入到用于分割的神经网络中,在编码过程加入残差模块,用短跳跃连接将高、低特征信息融合,并利用空洞卷积增加感受野,解码模块加入注意力机制增加对细微血管分割精度;最后利用训练完成的分割模型进行预测得出视网膜血管分割结果.在DRIVE和CHASE-DB1眼底图像数据集上进行对比实验,模型算法的平均准确率、特异性和灵敏度分别达到96.77％和97.22％、98.74％和98.40％、80.93％和81.12％.实验结果表明该算法能够改善微细血管分割准确率及效率不高的问题,对视网膜血管可以进行更准确的分割.

关键词：图像处理、眼底图像、血管分割、U型网络、网络优化

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金61705178

在线出版日期：2022-08-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：1-7