當前主流的眼底視網(wǎng)膜血管分割方法存在細微血管細粒度特征很難采集和細節(jié)容易丟失的問題。為解決這一問題,設(shè)計了一種改進U-Net模型算法,該算法將U-Net上下采樣中的原始卷積層改為二次循環(huán)殘差卷積層,提升了特征的使用效率;在解碼部分引入多通道注意力模型,改善了低對比度下細小血管的分割效果。該算法在DRIVE （Digital Retinal Images for Vessel Extraction）和STARE（Structured Analysis of the Retina）兩個數(shù)據(jù)庫的準確率分別為96.89%和97.96%,敏感度分別為80.28%和82.27%,AUC（Area Under Curve）性能分別為98.41%和98.65%,較現(xiàn)有的先進算法有一定的提升。本文所提算法能有效提高眼底圖像細微血管分割準確率。 

【文章來源】：光學(xué)學(xué)報. 2020,40(12)北大核心EICSCD

【文章頁數(shù)】：11 頁

【部分圖文】：

R2CU示意圖

根據(jù)（5）式和（6）式，眼底圖像信息經(jīng)上采樣池化層輸出的稀疏矩陣通過不同級別的分類過濾器進行解碼[19]，注意力模塊通過對選通信號分析得到與之匹配的相關(guān)注意力系數(shù)。粗粒度層的過濾器用以獲取血管大致走勢和形態(tài)，細粒度的過濾器應(yīng)通過特定含義的特征信息（如視網(wǎng)膜血管的分叉處與端點細微處）進行分類，使解碼端關(guān)注血管特征，弱化背景噪聲、病灶干擾等不良因素的影響，以保證其輸出結(jié)果的穩(wěn)定性與精準度。AGs在編碼端通過跳躍連接跳過池化層與下層卷積層，直接級聯(lián)到其對應(yīng)解碼端，融合互補信息并采用1×1卷積進行線性變化，改善了深度學(xué)習網(wǎng)絡(luò)中血管細節(jié)和缺口自身難以恢復(fù)的現(xiàn)象。AGs模型結(jié)構(gòu)如圖2所示。2.2 網(wǎng)絡(luò)結(jié)構(gòu)

本文提出的改進U-Net的模型框架AttR2U-Net(Attention Recurrent Residual U-Net），如圖3所示。為保證本文算法具有一定的自適應(yīng)能力，本文網(wǎng)絡(luò)保留了U-Net端對端的的網(wǎng)絡(luò)結(jié)構(gòu)。在編碼部分充分重復(fù)利用上下文特征信息，在解碼部分改善背景噪聲的不良影響，以更好地恢復(fù)出血管形態(tài)結(jié)果。但U-Net這種深層網(wǎng)絡(luò)模型在眼底視網(wǎng)膜圖像分割上也存在著問題：當層數(shù)過深時會產(chǎn)生梯度消失[20]或者梯度爆炸，且隨著網(wǎng)絡(luò)深度的增加，準確度不但難以提高，反而會迅速退化。這種退化并非由過擬合引起，而是由大量網(wǎng)絡(luò)層間本身的級聯(lián)造成的。另外，由于眼底圖像可能存在病灶區(qū)域或拍攝視角變化等噪聲，U-Net無法更好地抑制這類干擾信息，從而在血管分割的結(jié)果上仍存在一定的細節(jié)丟失。因此，本文在上下采樣階段引入了R2CU，用以改善由于網(wǎng)絡(luò)層數(shù)的增加引起的分割結(jié)果準確度退化的問題，強化特征傳播，增加特征圖的重復(fù)利用，從而提升其網(wǎng)絡(luò)性能。但這種采樣方式存在著過度提取特征的問題，抗噪能力有待提升。為更有效地進行信息整合，本文改進了原始U-Net的跳躍連接方式，合并AGs門控系數(shù)進行跳躍連接，在增加血管特征信息權(quán)重的同時減小非血管區(qū)域特征信息的權(quán)重，提升其抗噪能力，使血管分割的結(jié)果更精準。

【參考文獻】：
期刊論文
[1]基于全卷積神經(jīng)網(wǎng)絡(luò)的多尺度視網(wǎng)膜血管分割[J]. 鄭婷月,唐晨,雷振坤.  光學(xué)學(xué)報. 2019(02)
[2]大視場手持式免散瞳眼底照相機光學(xué)設(shè)計[J]. 王曉恒,薛慶生.  光學(xué)學(xué)報. 2017(09)



本文編號：3475109