U-net与Dense-net相结合的视网膜血管提取
目的 视网膜血管健康状况的自动分析对糖尿病、心脑血管疾病以及多种眼科疾病的快速无创诊断具有重要参考价值.视网膜图像中血管网络结构复杂且图像背景亮度不均使得血管区域的准确自动提取具有较大难度.本文通过使用具有对称全卷积结构的U-net深度神经网络实现视网膜血管的高精度分割.方法 基于U-net网络中的层次化对称结构和Dense-net网络中的稠密连接方式,提出一种改进的适用于视网膜血管精准提取的深度神经网络模型.首先使用白化预处理技术弱化原始彩色眼底图像中的亮度不均,增强图像中血管区域的对比度;接着对数据集进行随机旋转、Gamma变换操作实现数据增广;然后将每一幅图像随机分割成若干较小的图块,用于减小模型参数规模,降低训练难度.结果 使用多种性能指标对训练后的模型进行综合评定,模型在DRIVE数据集上的灵敏度、特异性、准确率和AUC(area under the curve)分别达到0.740 9、0.992 9、0.970 7和0.917 1.所提算法与目前主流方法进行了全面比较,结果显示本文算法各项性能指标均表现良好.结论 本文针对视网膜图像中血管区域高精度自动提取难度大的问题,提出了一种具有稠密连接方式的对称全卷积神经网络改进模型.结果 表明该模型在视网膜血管分割中能够达到良好效果,具有较好的研究及应用价值.
视网膜血管分割、深度学习、全卷积神经网络、U-net、Dense-net
24
TP751(遥感技术)
国家自然科学基金项目61402259,U1401252;宜昌市科技局项目A19-302-13;湖北省水电工程智能视频监测重点实验室开放基金项目2018SDSJ08;三峡大学2018年硕士学位论文培优基金项目2018SSPY090
2019-10-15（万方平台首次上网日期，不代表论文的发表时间）
共12页
1569-1580
