目的青光眼和病理性近視等會(huì)對(duì)人的視力造成不可逆的損害,早期的眼科疾病診斷能夠大大降低發(fā)病率。由于眼底圖像的復(fù)雜性,視盤(pán)分割很容易受到血管和病變等區(qū)域的影響,導(dǎo)致傳統(tǒng)方法不能精確地分割出視盤(pán)。針對(duì)這一問(wèn)題,提出了一種基于深度學(xué)習(xí)的視盤(pán)分割方法 RA-UNet（residual attention UNet）,提高了視盤(pán)分割精度,實(shí)現(xiàn)了自動(dòng)、端到端的分割。方法在原始UNet基礎(chǔ)上進(jìn)行了改進(jìn)。使用融合注意力機(jī)制的Res Net34作為下采樣層來(lái)增強(qiáng)圖像特征提取能力,加載預(yù)訓(xùn)練權(quán)重,有助于解決訓(xùn)練樣本少導(dǎo)致的過(guò)擬合問(wèn)題。注意力機(jī)制可以引入全局上下文信息,增強(qiáng)有用特征并抑制無(wú)用特征響應(yīng)。修改UNet的上采樣層,降低模型參數(shù)量,幫助模型訓(xùn)練。對(duì)網(wǎng)絡(luò)輸出的分割圖進(jìn)行后處理,消除錯(cuò)誤樣本。同時(shí),使用Dice Loss損失函數(shù)替代普通的交叉熵?fù)p失函數(shù)來(lái)優(yōu)化網(wǎng)絡(luò)參數(shù)。結(jié)果在4個(gè)數(shù)據(jù)集上分別與其他方法進(jìn)行比較,在RIM-ONE（retinal image database for optic nerve evaluation）-R1數(shù)據(jù)集中,F分?jǐn)?shù)和重疊率分別為0.957 4和0.918 2,比UNet分別... 

【文章來(lái)源】：中國(guó)圖象圖形學(xué)報(bào). 2020,25(09)北大核心CSCD

【文章頁(yè)數(shù)】：15 頁(yè)

【部分圖文】：

殘差連接單元

深度學(xué)習(xí)往往需要大規(guī)模數(shù)據(jù)來(lái)進(jìn)行網(wǎng)絡(luò)模型的訓(xùn)練和優(yōu)化，但是在醫(yī)學(xué)圖像分割領(lǐng)域，有逐像素標(biāo)注的圖像數(shù)量往往很少。在小規(guī)模數(shù)據(jù)集上訓(xùn)練網(wǎng)絡(luò)模型往往會(huì)出現(xiàn)過(guò)擬合問(wèn)題。同時(shí)，讓醫(yī)生進(jìn)行像素標(biāo)注是耗時(shí)和乏味的，且容易受醫(yī)生的主觀影響。當(dāng)醫(yī)生累的時(shí)候，也常常會(huì)有錯(cuò)誤的判斷。遷移學(xué)習(xí)可以解決數(shù)據(jù)量少導(dǎo)致的深度卷積神經(jīng)網(wǎng)絡(luò)模型不好訓(xùn)練的問(wèn)題。首先在大規(guī)模的圖像數(shù)據(jù)集上(例如ImageNet)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，然后在小規(guī)模數(shù)據(jù)集上微調(diào)該模型�？梢源蟠蠼档陀�(xùn)練模型所需的時(shí)間，并且取得更好的結(jié)果。2 改進(jìn)的網(wǎng)絡(luò)模型

分割彩色眼底圖像視盤(pán)區(qū)域過(guò)程如圖3所示，輸入圖像為RGB 3通道的彩色圖像，先將其輸入網(wǎng)絡(luò)模型中，輸出分割好的視盤(pán)區(qū)域圖像。其中，視盤(pán)區(qū)域?yàn)榘咨尘皡^(qū)域?yàn)楹谏�，�?shí)現(xiàn)了自動(dòng)、端到端的圖像分割。然后經(jīng)過(guò)后處理操作，就得到了更精細(xì)化的視盤(pán)分割圖。2.1 注意力機(jī)制

【參考文獻(xiàn)】：
期刊論文
[1]基于多圓快速分割眼底視盤(pán)的自動(dòng)算法[J]. 吳鑫鑫,肖志勇.  光學(xué)技術(shù). 2018(05)
[2]基于視覺(jué)顯著性和旋轉(zhuǎn)掃描的視盤(pán)分割新方法[J]. 曹新容,薛嵐燕,林嘉雯,余輪.  生物醫(yī)學(xué)工程學(xué)雜志. 2018(02)



本文編號(hào)：3410459