融合多层空间注意的U型视网膜血管分割算法

针对现有算法因视网膜细小血管分割不足和抗噪声能力弱导致其分割精度低等问题,提出一种融合多层空间注意的U型视网膜血管分割算法.首先,在编码和解码部分采用特征增强残差模块,引入通道注意机制提高网络模型对血管特征的分割能力.其次,在U型网络的底部引入密集空洞卷积模块,增大感受野提取血管多尺度特征.最后,在跳跃连接阶段使用三端空间注意模块进行特征自适应细化,有效抑制特征图中的噪声.在DRIVE和STARE公开眼底图像数据集上验证本文算法,实验结果表明,所提算法准确率分别达到了0.9643和0.9683,灵敏度分别达到了0.8329和0.8224,AUC值分别达到了0.9861和0.9897.其性能指标整体优于现有先进算法.     

RCAR-UNet：基于粗糙通道注意力机制的视网膜血管分割网络

眼底图像中视网膜血管的健康状况对早期诊断各种眼科疾病及糖尿病心脑血管疾病等具有重要意义，然而视网膜血管结构细微、边界模糊且分布不规则，对其进行准确分割存在较大的难度.针对视网膜血管的这些特征，提出一种粗糙通道注意力残差U型网——粗糙通道注意力残差U型网络（RCARUNet）.该网络首先引入粗糙集理论中上下近似概念设计粗糙神经元；接着基于粗糙神经元构建粗糙通道注意力模块，该模块在U-Net跳跃连接中采用全局最大池化和全局平均池化构造上下近似神经元，并进行神经元间的加权求和，对所建立的通道依赖关系进行合理的粗糙化，该依赖关系不仅包含全局信息，同时具有局部特性，可有效实现对所提取视网膜血管特征的准确重标定；然后添加残差连接，将特征直接从低层传递给高层，有助于解决网络性能退化问题，并有效提取更加丰富的视网膜血管特征；最后为了验证所提视网膜分割网络的有效性，在3个眼底视网膜公开图像数据集上与U-Net,Attention U-Net等传统网络模型进行对比实验，实验结果表明，所提视网膜分割网络在血管分割准确率、灵敏度和相似度等方面具有较高的优越性.     

基于编解码结构的多特征融合眼底图像分割

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。     

基于多尺度残差路径的U型视网膜血管分割

针对视网膜血管形态结构复杂、特征信息多变的特点，提出一种结合残差网络和多尺度特征融合的U型视网膜分割算法。依次采用限制对比度直方图均衡化和局部自适应Gamma对原始视网膜图像进行预处理，得到血管增强、亮度提升的图像；将其输入至搭建的U型网络中进行端到端训练，该网络将U-Net原始卷积块替换为残差卷积块，实现对特征的复用，首尾的并行多分支结构和底部的金字塔池化结构扩大提取特征的感受野，在解码阶段加入带有注意力机制的跳跃连接改善视网膜血管的分割性能；通过sigmoid激活函数得到最终分割结果。在DRIVE数据集上进行实验，该算法准确率、敏感度和AUC分别为96.34%、84.61%和98.53%。     

位置感知循环卷积与多尺度输入的视网膜血管分割方法

针对视网膜图像血管纹理复杂，微小血管极多，成像对比度低的问题，提出一种结合位置感知循环卷积（position aware circular convolution,ParC）、多尺度分辨率输入的视网膜血管分割方法。使用带有普通卷积、位置感知循环卷积、ECA(efficient channel attention)注意力的卷积模块（ParC-ECA block）来充分提取输入眼底图像的全局、局部特征信息；在级联的下采样路径中，提出多尺度输入模块（multi-scale input block）来对每一层级的特征信息进行加强，找回丢失的细节信息，避免因细节丢失而引起的网络性能下降；在跳跃连接中使用残差双注意力模块（residual spatial channel attention block,RSCA），在保持网络每一层级原始特征传递的基础上，对其进行背景干扰噪声过滤和血管特征强化，进一步提升分割性能。提出的方法在DRIVE数据集和CHASE＿DB1数据集上进行了实验，其AUC分别为98.53%和98.81%,ACC分别为95.81%和96.84%,F1-score分别为83.55%和8...     

空洞残差U型网络用于视网膜血管分割

青光眼是一种不可逆转的致盲性眼科疾病,应当早发现和早治疗。但人工诊断是费时费力的过程,而且受基层医疗资源的限制,人工诊断很容易产生漏诊和误诊的现象。因此,利用深度学习技术辅助诊断眼疾病具有重大意义。如何更为准确且有效地分割视网膜血管成为眼疾病辅助诊断的研究热点问题。于是,基于U型网络（U-Net）提出一种新的网络结构称为空洞残差U型网络（Atrous Residual U-Net,AR-Unet）。在AR-Unet中,为了避免U-Net中的梯度消失以及图像结构信息丢失等问题,将残差网络（ResNet）引入到U-Net中。为了扩大感受野和提高物体间的相关性,再将空洞卷积（Atrous Convolution）整合到U-Net中,从而使得血管分割更加精确。在三个公开的彩色眼底图像数据集DRIVE、STARE和CHASE上进行大量实验,结果表明在不同评价指标下,AR-Unet方法的性能均要优于大多数对比方法。     

残差密集块的卷积神经网络图像去噪

针对加性高斯白噪声的图像信噪比低, 图像细节丢失问题, 结合现有卷积神经网络算法, 提出了一种基于残差密集块的卷积神经网络图像去噪模型. 该模型通过引入多级残差网络和密集连接, 并对整体网络使用Leaky ReLU激活函数, 去除不同等级强度噪声的同时, 更好保留图像的有效信息, 有效避免特征丢失. 本文提出算法和深度卷积神经网络残差学习(DnCNN)模型对比, 本文提出的模型在Set12和BSD68测试集上峰值信噪比平均提升了约0.12 dB, 结构相似性平均提升了约0.008 6, 通过观察实验效果, 表明该模型能够充分提取图像特征, 保留图像细节, 同时降低网络计算的复杂度.     

基于深度学习的眼底血管图像分割研究进展

眼底血管图像分割对青光眼、糖尿病视网膜病变等多种眼部疾病有较好的辅助诊断作用, 目前深度学习因其强大的抽象特征发现能力, 有望满足人们从眼底血管图像中提取特征信息进行图像自动分割的需求, 成为眼底血管图像分割领域的研究热点. 为更好把握该领域的研究进展, 本文对相关数据集和评价指标整理归纳, 对深度学习在眼底血管图像分割中的应用进行详细阐述, 重点梳理各类分割方法的基本思想、网络结构及改进之处, 分析现有眼底血管图像分割方法存在的局限性及面临的挑战, 并对该领域未来的研究方向做出展望.     

融合多标签损失与双注意力的U型视网膜血管分割

眼底视网膜血管的检测与分析对许多眼科疾病的诊断具有重要意义.为了更精确、健全地提取视网膜血管的特征信息,提出一种融合多标签损失与双注意力的U型网络模型.首先在编码部分通过空间金字塔池化提供多尺度输入,在U型网络内部融入双注意残差块提升网络对特征信息的提取能力;其次,在网络底部嵌入特征相似模块以捕获特征之间的远程依赖关系,为了有效地抑制眼底图像中的噪声影响和捕获血管多尺度信息,在跳连部分分别引入双路径注意门机制与稠密的空洞空间金字塔池化模块;最后,在解码部分设置侧输出层生成与层级对应的局部预测图像,并配合多标签Dice损失函数进行训练.在DRIVE,STARE和CHASE＿DB1数据集上进行实验,灵敏度分别为80.54%, 83.97%和82.40%,受试者曲线下的面积(AUC)分别为98.07%, 98.50%和98.36%.     

多尺度特征融合的脊柱X线图像分割方法

为了精确地从X线图像中分割脊柱,提出了一种基于深度学习的脊柱X线图像分割方法,使用基于多尺度特征融合的U-Net网络进行分割。将U-Net模型中的卷积层替换成类Inception网络来提取不同尺度的特征,并进行多尺度融合。同时在跳跃连接前增加残差连接层,并在首次上采样前添加卷积块注意力模块。该模型对20幅脊柱X线图像进行验证,Dice系数为0.845 7,与近期X线脊柱图像分割方法相比,提高了0.135 1。