1 昆明理工大学 信息工程与自动化学院, 云南 昆明 650500
2 昆明理工大学 云南省人工智能重点实验室, 云南 昆明 650500
视网膜血管的自动分割技术有助于早期诊断和治疗与视网膜相关的疾病。由于视网膜血管结构复杂且精细, 眼底图像存在着低对比度、光照不均以及病理性渗出物等因素的干扰, 导致该任务仍然具有挑战性。针对该任务主流框架U-Net中未考虑全局语义依赖关系以及编码器和解码器之间的语义鸿沟问题, 提出了一种同尺度和跨尺度增强的U-Net模型。从两个角度对该模型进行设计: 对于同一尺度的编码-解码层, 一种空间增强的自注意力机制被嵌入到每个编码层中以增强模型的全局空间聚合能力, 并进一步将其拓展到解码端来缓解解码过程中上采样操作带来的信息丢失等问题; 对于不同尺度的编码-解码层, 引入了一种新颖的跨尺度融合模块, 通过动态地选择最深层中丰富的特征信息来增强与其它层之间的语义交互, 从而进一步弥合编码器和解码器之间的语义鸿沟。在DRIVE、CHASE_DB1和STARE三个视网膜标准数据集上进行了实验验证, 实验结果表明I2A-Net能有效地分割出视网膜血管结构, 相比与基线模型, 在各项评价指标上均取得了较高的提升。
深度学习 视网膜血管分割 空间增强的自注意力机制 跨尺度融合模块 deep learning retinal vessel segmentation U-Net U-Net spatial enhanced self-attention mechanism cross-scale fusion module
江西理工大学电气工程与自动化学院，江西 赣州 341000
针对视网膜血管分割中有标签图像数据有限、血管结构复杂尺度不一且易受病变区域干扰等问题，提出一种多尺度密集注意力网络用于视网膜血管分割。首先，以U-Net架构为基础，引入并行空间和通道挤压激励注意力密集块（scSE-DB）代替传统卷积层，加强特征传播能力，实现了对特征信息的双重校准，使模型能更好地识别血管像素；其次，在网络底端嵌入级联空洞卷积模块，以捕获多尺度血管特征信息，提升网络获取深层语义特征的能力；最后，在公共数据集DRIVE、CHASE_DB1和STARE上进行实验，所提网络的准确率分别为96.50%、96.62%和96.75%，灵敏度分别为84.17%、83.34%和80.39%，特异性分别为98.22%、97.95%和98.67%。所提网络的整体分割性能优于现有多数先进算法。
图像处理 视网膜血管分割 级联空洞卷积 并行空间和通道挤压激励模块 注意力密集块 激光与光电子学进展
2023, 60(6): 0610011
1 陕西科技大学 人工智能研究所, 陕西 西安 710021
2 陕西科技大学 电子信息与人工智能学院, 陕西 西安 710021
针对视网膜血管在分割过程容易出现细节特征信息丢失、血管轮廓模糊等问题, 提出一种改进的循环分割对抗网络算法。该算法改进了分割器的网络模型, 在U型网络上、下采样过程中添加了密集连接结构, 充分保留了图像的特征信息, 提升了模型的泛化能力以及鲁棒性, 缓解了过度分割现象。为防止网络退化, 将损失函数替换为最小二乘函数, 提高了图像的分割质量, 提升了网络模型训练的稳定性。实验结果表明, 本文的网络模型在DRIVE以及CHASE数据集中, 两者分割的准确性、敏感性分别达到了96.93%、84.30%以及96.94%、79.92%。该算法具有较好的网络泛化能力以及分割准确率, 可以为疾病诊断提供重要的依据。
视网膜血管分割 循环分割对抗网络 U型网络 密集连接结构 损失函数 retinal blood vessels segmentation cycle segmentation adversarial networks U-Net work densely connected structure loss function
贵州大学大数据与信息工程学院, 贵州 贵阳 550025
针对当前视网膜图像分割方法中存在的细小血管像素模糊以及较厚视网膜血管边缘细节丢失等问题,本文设计了一种基于改进U-Net与Mini-U-Net网络相结合的两阶段训练分割方法。首先,在全尺寸U-Net网络后加入一个小尺寸的Mini-U-Net对图像中的模糊血管像素进行二次训练,以提升模糊血管像素的分割效果;其次,将两个网络编解码过程中的原始卷积层改为残差卷积模块,使原始特征信息被更完整地保留;最后,在两个网络的跳跃连接处引入注意力机制,使任务目标集中在血管像素上,提高分割精度。该方法在DRIVE和STARE公共眼底图像数据集上进行测试的精确率分别为0.8331和0.8563,召回率分别为0.8396和0.8639,F1-Score分别为0.8351和0.8609,准确率分别为0.9698和0.9787,整体分割结果相较其他分割方法更好。
图像处理 视网膜血管分割 U-Net 两阶段训练 残差网络 注意力机制 激光与光电子学进展
2021, 58(16): 1617002
视网膜血管分割是构建眼底图像分析和计算机辅助疾病诊断系统的关键环节。提出了一种基于Hessian的方向自适应Gabor小波的视网膜血管分割方法,根据Hessian矩阵的本征向量获得血管走向,并将其作为Gabor小波变换的方向角;提取出4个尺度的方向自适应Gabor小波特征,结合Hessian矩阵的大本征值构建5维的视网膜血管特征;采用支持向量机进行眼底图像像素分类实现血管分割。所提方法能准确感知血管方向,只需计算此方向下Gabor小波的滤波响应,减小了特征提取的计算量,实现了Hessian矩阵大本征值与Gabor小波特征较好的互补性。利用所提方法在DRIVE数据库进行实验,获得较好的分割性能,所提方法对细小血管的提取和对分叉、交叉处血管点的检测表现出良好的效果。
图像处理 视网膜血管分割 方向自适应 Hessian矩阵 Gabor小波变换 支持向量机 激光与光电子学进展
2020, 57(8): 081023
华南师范大学物理与电信工程学院, 广东 广州 510006
提出一种基于超像素仿射传播聚类的视网膜血管分割方法。首先对预处理后的图像提取Hessian最大本征值、Gabor小波、B-COSFIRE滤波特征,构建3维眼底图像像素特征;同时对眼底图像进行超像素分块,并采用一致性准则对所分的超像素块进行筛选,得到超像素候选块;把超像素候选块当作样本点,把候选块内的像素特征的统计平均值当作特征向量,在特征空间中进行仿射传播聚类得出血管类和背景类两个聚类中心;根据血管类和背景类两个聚类中心,采用最近邻方法对眼底像素进行分类,实现对视网膜血管的分割。实验表明:在DRIVE和STARE眼底图像数据库上,本文算法的平均准确率分别为94.63%和94.30%;相较于K-means、模糊C均值(FCM)和其他聚类方法,本方法对血管的识别度高,所分割的视网膜血管有较好的连续性和完整性。
图像处理 视网膜血管分割 超像素 仿射传播聚类 一致性 候选块
1 三峡大学计算机与信息学院, 湖北宜昌 443002
2 湖北省水电工程智能视觉监测重点实验室(三峡大学), 湖北宜昌 443002
3 三峡大学第一临床医学院超声科, 湖北宜昌 443002
针对人工手动提取视网膜血管工作量大, 主观性强等问题, 本文提出了一种将区域生长思想、脉冲耦合神经网络(PCNN)、高斯滤波器组及 Gabor滤波器相结合的视网膜血管分割方法。首先将二维高斯滤波器组、二维 Gabor匹配滤波器相结合, 对视网膜血管区域进行形态匹配增强, 提升血管与背景的对比度。然后将带有快速连接机制的 PCNN与区域生长思想相结合, 每次从未处理的像素点中选取亮度最大的作为种子, 使用自适应的连接系数及停止条件, 实现眼底图像中血管的自动分割。整个算法在 DRIVE眼底数据库上的实验结果显示, 平均准确度、灵敏度、特异性分别达到 93.96%、78.64%、95.64%, 分割结果中血管断点少, 微小血管清晰, 具有较好的应用前景。
视网膜血管分割 脉冲耦合神经网络 区域生长 高斯匹配滤波器组 Gabor滤波器 retinal blood vessel extraction pulse coupled neural network region growing Gaussian matched filter bank Gabor filter
