基于改进R2U-Net型网络的视网膜血管图像分割

眼底视网膜血管的分割能够更有效地帮助医生诊断病情,但人工诊断费时耗力,传统的眼底图像血管分割技术的准确率和精度又不能达到理想状态,因此提出了基于R2U-Net的多尺度特征融合注意力网络——R2MAFF-Net.为了解决U-Net深度不够、上下层之间特征连接不密切及信息获取不完全等问题,将循环残差空洞卷积结构作为模型的编...     

多尺度特征融合双U型视网膜分割算法

视网膜血管形态结构是反映人体健康的重要指标 ,针对现有视网膜血管分割存在主 血管模糊、微细血管断裂和视盘误分割等问题,提出多尺度特征融合双U型视网膜分割算 法。首先,利用低层U-Net高效循环残差模块对眼底图像进行粗粒度分割,得到视网膜血 管 初步轮廓。其次,将粗分割图与原始特征图像素相乘送入高层U-Net,利用其缩放宽残差 模 块进行细粒度图像解码,丰富视网膜血管细节信息。同时利用3路径注意力机制复合性连接 双网络的编码层与解码层,实现特征映射跨网络传播,减小上下文语义差异。最后,融合双 层网络输出提取血管区域,双U 型网络能够更深层次提取血管像素,精准分割出视网膜细 节。在DRIVE与STARE数据集上进行实验,其准确率分别为96.45%和97.02%,敏感度分 别为83.35%和81.40%,特异性分别为98.38%和 98.83%,总体性能优于现有算法。     

多尺度密集注意力网络用于视网膜血管分割

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。     

基于多路径输入和多尺度特征融合的视网膜血管分割

视网膜血管的形态变化,如分叉角度、扩张程度等 ,可为眼底疾病的诊断提供依据。 使用深度学习技术对视网膜病变程度进行评估成为目前研究的重点。提出了一种基于多 路径输入和多尺度特征融合的视网膜血管分割方法来解决视网膜血管分割问题。采用了 多路径输入和多特征融合的方式改进了U-Net模型,使本文的网络能够有效的解决眼底视网 膜图像的分割效果差的 问题。实验结果表明,算法在DRIVE和CHASE_DB1数据集上,敏 感性分别取得0.814和0.813,特异性 分别取得0.984和0.986,在分割准确率指标上 分别取得0.969和0.975,所提方法相较于其他方法较优。     

基于多尺度一致性与注意力机制的视网膜血管分割网络

针对现有的视网膜血管分割方法存在对微血管和毛细血管的分割能力不足,导致血管断连和末端血管漏分,造成视网膜血管分割性能不佳的问题,本文提出一种基于多尺度一致性与注意力机制的视网膜血管分割网络(multi-scale consistency and attention mechanism U-Net, MCAU-Net)。首先,该网络在瓶颈特征层嵌入注意力细化模块(attention refinement module, ARM),能有效细化瓶颈层冗余的特征,抑制背景等无关像素的权值。其次,将上下文特征融合模块(context fusion module, CFM)与传统的跳跃连接相结合,以此补充在特征提取过程中逐渐丢失的信息,加强网络对微血管和毛细血管的构建能力。最后,基于网络的多尺度输出设计了一种多尺度一致性的训练方式,以增强网络对不同尺度特征的敏感性。在DRIVE和CHASE＿DB1公开数据集上进行的对比实验表明本文网络具有良好的分割性能。     

基于U-Net网络改进算法的视网膜血管分割研究北大核心CSCD

针对视网膜图像血管细小,细节特征丢失、梯度下降、爆炸而导致分割效果差的问题,本文提出了一种引入残差块、循环卷积模块和空间通道挤压激励模块的U-Net视网膜血管图像分割模型。首先通过使用一系列随机增强来扩展训练集并对数据集进行预处理,然后在U-Net模型中引入残差块,避免随着网络深度增加,分割准确率达到饱和然后迅速退化以及优化计算成本;并将U-Net网络的底部替换为循环卷积模块,提取图像低层次的特征,并不断的进行特征积累,增强上下文之间的语义信息,获得更有效的分割模型;最后在卷积层之间嵌入空间通道挤压激励模块,通过找到特征较好的通道,强调这一通道,压缩不相关的通道使得网络模型能够加强关键语义特征信息的学习,通过训练过程学习到有效的特征信息,同时增强抗干扰能力。通过在DRIVE数据集上的验证结果可得,本文所提模型的准确率为98.42%,灵敏度达到了82.36%,特异值达到了98.86%。通过和其他网络分割方法比较,本文所提分割方法具有更优的分割效果。     

融合通道注意力与残差密集的U-Net视网膜血管分割

视网膜血管的精准分割是辅助眼科医生诊断和大规模眼科疾病自动筛查的重要前提,已成为临床的迫切需求。针对现有视网膜细小血管分割不足以及精确度有待提高等问题,提出了一种融合通道注意力机制与残差密集连接模块的改进型U-Net算法,先利用通道注意机制来增强网络的识别能力,再利用残差密集模块代替传统的卷积模块来提升网络分割细小血管的性能。在DRIVE和CHASE数据集上的实验结果表明,与其他算法相比,该算法的ACC、SE、SP和AUC值均比较高,分割效果较好。     

基于改进U-Net的视网膜血管分割

针对传统算法在眼底视网膜血管分割过程中存在特征提取困难、细节区域分割不精确的问题,本文在U-Net网络的基础上进行改进,提出了一种能更好进行血管分割的算法CSD-UNet。首先,在编码和解码阶段使用了卷积注意力模块,通过引入注意力机制对血管的细微结构进行通道和空间增强;其次,采用了SoftPool的池化方法,保证在下采样阶段保留更多原始信息,增加感受野;最后,选择密集上采样卷积作为本算法的上采样方法,产生像素级预测且捕获更多细节信息。在公开数据集DRIVE、CHASE＿DB1上验证该算法,结果表明,该算法较现有的先进算法在分割效果上有一定的提升。     

多尺度特征融合注意力新冠肺炎病灶分割网络

新冠病毒传染性极强,尽早的诊断和治疗是减少疫情造成损失的关键因素。为辅助医生诊断新冠病情,高效、准确地从肺部CT切片中分割新冠病灶,提出了一种改进的编码器-解码器深度神经网络——多尺度融合注意力网络MSANet(Multi-scale Attention Network),以图像分割效果较为出色的U-Net网络为基础,通过全局池化层和设置空洞卷积的采样率,增大网络感受野,捕获多尺度信息,实现对大目标的有效分割;使用通道注意力与空间注意力,在空间维度上建模,有效提取图像深层特征。测试结果表明,改进后的算法与U-Net网络相比,分割的平均交并比提升了1.46%,类别平均像素准确率提升了0.8%,准确率提升了1.17%。     

基于RAU-net的视网膜血管图像分割

在眼科疾病的诊断中,对视网膜血管进行分割是非常有效的一种方法。在方法使用中,经常会遇到由于视网膜血管背景对比度低及血管末梢细节复杂导致的血管分割难度较大的问题,通过在设计网络的过程中在基础U-net网络中引入残差学习,注意力机制等模块,并将两者巧妙地结合在一起,提出一种新型的基于U-net的RAU-net视网膜血管图像分割算法。首先,在网络的编码器阶段加入残差模块,解决了模型网络加深导致梯度爆炸以及梯度消失的问题。其次,在网络的解码器阶段引入注意力门（attention gate, AU）模块,用来抑制不必要的特征,从而使模型产生更高的精度。通过在DRIVE数据集上进行验证,该算法的准确率、灵敏度、特异性和F₁-score分别达到了0.7832,0.9815,0.9568和0.8192。分割效果相对于普通监督学习算法较为良好。     

基于人机协同的FU-Net网络的CT影像肝脏自动分割

现有的医学图像器官分割方法不能很好地依肝脏形状、位置及大小的变化而进行适当的分割,当肝脏形态变化明显时,不能准确地将肝脏分割出来。鉴于此,文章在传统U-Net网络中加入了全局注意力模块,通过通道注意力和自我注意力增强了对肝脏的特征提取;并在自动分割的基础上进行了人机协同操作,对分割不好的部分增加数据量,有效提高了分割准确率。该模型在MIOU和MPA指标上分别达到了86.71%、92.58%。     

结合空洞可分离卷积的多尺度医学影像分割算法

传统U-Net语义分割模型在医学影像领域具有广泛的应用,但该模型的准确率受限于单一尺度的预测模式以及上下采样引起的信息丢失。针对上述问题,本文基于U-Net编码—解码架构以及空洞可分离卷积提出了一种高低层级信息丰富的多尺度医学影像语义分割算法,该算法由特征提取网络以及多尺度语义分割预测网络两部分构成。特征提取网络使用空洞可分离卷积和类残差块分别替换原U-Net中上、下采样以及卷积块,在增加感受野的同时使信息得到最大化的保留;提出一个通道注意力机制,强化目标核心特征的表达以及无关背景区域的抑制;在多尺度上挖掘带有图像级全局上下文的卷积特征,进一步提高分割性能。本文在采集的胚胎以及DRIVE数据集上进行仿真实验,其结果表明,与U-Net及其衍生模型相比该方法具有更高的准确率和鲁棒性。     

融合Resnet50和U-Net的眼底彩色血管图像分割

眼底血管图像特征信息复杂度较高且现有算法对视网膜微血管分割不足,对病灶区域会产生误分割.针对以上问题,文中提出了一种融合Resnet50和U-Net的眼底彩色血管图像分割模型.通过数据增强提高数据集的数量以增加算法的鲁棒性.融合高斯双边滤波和限制对比度直方图均衡化来增强视网膜微细管的特征信息.利用自适应Gamma矫正提...     

基于强化特征提取的视网膜血管分割

视网膜血管的分割精确率对眼科疾病和糖尿病早期诊断有着重要影响。面对现有方法在微血管与病变区域分割性能差的问题,本文提出一种强化提取血管特征的分割模型。该模型在编码部位引入多尺度特征提取残差模块(multi-scale feature extraction residual module,MFE-residual) 和多级残差空洞卷积层,用来扩展感受野,学习多层次图像特征,提高模型对血管信息的利用率;下采样和短连接部位分别融入轻量化注意力机制和多通道注意力模块,增加模型对血管的识别度,降低误分割的可能性。本文基于DRIVE和STARE两种公开数据集进行了实验,来验证改 进模型的分割能力。结果表明,两种数据上的准确率分别为0.965 2和0.971 5,灵敏度分别为0.820 5和0.825 6,与其他算法相比,分割性能更有优势。     

病变视网膜图像血管网络的自动分割

现有的视网膜血管分割方法大多只针对正常的视网膜图像进行分割,不能实现对发生病变的视网膜图像的分割.为此,提出了一种新的病变视网膜图像血管网络分割方法.该方法首先采用向量场散度方法获得病变视网膜图像中大部分血管的中心线,然后计算出中心线上各像素点的方向信息并采用改进的定向局部对比度方法检测出中心线两侧的血管像素,最后对获得的血管段末端进行反向外推追踪,分割出最终的血管网络.通过对通用的STARE眼底图像库中所有病变视网膜图像的实验仿真,结果表明本文算法获得了0.9426的ROC曲线面积和0.9502的准确率,算法性能明显优于Hoover算法和Benson等提出的算法.此外,本文算法还克服了Benson算法的局限性,对不同类型的病变视网膜图像都具有较好的鲁棒性.     

基于局部特征增强的视网膜血管分割

视网膜血管具有细小复杂的特点,在对其进行分割时,经常出现噪点、断裂和欠分割等问题。针对此现象,提出一种基于局部特征增强的轻量化网络LRU-Net,以捕获更多细小血管特征。首先,在通道注意力模块中加入特征提取模块,对输入特征进行二次特征提取,以得到更多的细节特征;其次,设计了一个特征融合模块,在解码器中能更有效地融合高级和低级特性,加强最终的特征表示;最后,设计了一个上下文聚合模块,提取最深层特征不同分辨率的多尺度信息,然后进行拼接,使进入上采样的输入特征更加细化。在FIVES和OCTA-500数据集上的实验结果表明,与基础网络U-Net相比,本文所提方法在做到轻量化的同时,视网膜血管分割的准确度也有了一定的提升,在两个数据集上分别达到了98.45%、97.05%。     

基于深度学习的CTA影像冠状动脉分割

冠心病作为高发病率的重大冠状动脉疾病,让影像科医生承担了繁重的工作强度.利用人工智能识别冠状动脉中的斑块,实现对冠心病血管狭窄程度的判断,可以减轻CT影像医生的工作强度.应用增加了注意力机制的U-Net网络对冠状动脉进行识别分割,可以大大减少大夫的诊断时间.应用增加了注意力机制的U-Net网络进行训练,最终使损失函数、...     

基于MCL-UNet网络的激光熔覆层表面平整度识别

表面平整度是衡量多道搭接熔覆层表面质量的重要指标之一,为改进人工标注获取表面平整度耗时费力的问题,本文利用图像识别和语义分割神经网络方法提出了自动识别熔覆层表面平整度。针对搭接熔覆层特征,基于改进的U-Net与注意力机制(CBAM)提出一种用于熔覆层形貌的自动分割网络MCL-UNet,优化改进U-Net模型,依据CBAM模块从通道维度和空间维度调整特征图层的权重信息,将CBAM模块以优化输入和输出的原则部署在网络上。在搭接熔覆层数据集上对改进的网络进行评估对比,实验结果表明,本文提出的MCL-UNet网络模型,其熔覆层分割效果在验证集上的平均IoU准确率为93.76%,相比原始U-Net的IoU准确率提高了5.81%,在测试集上MCL-UNet模型输出的表面平整度的平均相对误差为3.2%,说明该模型可有效提高搭接熔覆层横截面形貌的分割精度,并能较准确输出表面平整度。     

基于HESSIAN多尺度因子的视网膜血管分割方法

在医学领域,许多疾病会引起眼底视网膜血管结构和形态的变化,及时对其检测分析可起到疾病预防作用。针对视网膜血管的连续树杈状图像特征,运用对线段结构有良好检测能力的Hessian矩阵进行视网膜血管分割,然而仅使用单尺度难以分割整个血管网络。文章使用一种基于Hessian多尺度因子的分割方法,构造高斯二维核函数引入空间尺度因子,实现视网膜血管的全面分割。仿真结果表明,多尺度因子在正确分割大血管脉络的同时,对微小血管也具有较好的分割能力。     

多尺度注意力解析网络的视网膜血管分割方法

视网膜血管分割是检测多种眼病的重要手段,在视网膜疾病自动筛查系统中发挥重要作用.针对现存方法对细小血管分割不足且易出现病理误分割的问题,提出了一种基于多尺度注意力解析网络的分割算法.该网络以编码-解码架构为基础,在子模块中引入注意力残差块,加强了特征传播能力,降低了光照不均、对比度低对模型的影响;在编码器和解码器之间增加跳跃连接并去掉传统池化层,以保留足够的血管细节信息;运用并行多分支结构和空间金字塔池化两种多尺度特征融合方法,实现不同感受野下的特征提取,提升血管分割性能.实验结果表明,该方法在CHASEDB1和STARE标准集上的F1值分别达到了83.26％和82.56％,灵敏度分别达到了83.51％和81.20％,其性能优于当前主流方法.