發(fā)布時間：2021-11-07 14:57

　　對視網(wǎng)膜血管形態(tài)特征的分析有助于視網(wǎng)膜相關疾病的診斷。為了能夠更準確地分割出視網(wǎng)膜血管,提出一種基于雙流網(wǎng)絡的分割視網(wǎng)膜血管的方法。首先用具有編碼器-解碼器結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡分別對整個血管和細血管進行分割;再將所得到的兩個預測圖進行融合,對融合后的圖像去除偽影和噪聲,得到最終的血管分割圖。由于單獨對細血管進行了分割,因此所提方法可以更有效地分割出一些難以識別的視網(wǎng)膜血管邊緣和低對比度區(qū)域的細血管像素。實驗結(jié)果表明,所提方法在DRIVE、STARE和CHASE_DB1三個數(shù)據(jù)庫上的靈敏度分別達到0.8062、0.8308和0.8135,在性能上比其他方法更優(yōu)。 

【文章來源】：光學學報. 2020,40(04)北大核心EICSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

所提方法整體框架

圖1 所提方法整體框架與原始映射H(x）相比，擬合殘差映射F(x)=H(x)-x相對來說更容易。殘差網(wǎng)絡結(jié)構(gòu)如圖3所示，殘差網(wǎng)絡可以將前向神經(jīng)網(wǎng)絡輸入通過“捷徑”與輸出連接，這相當于進行了恒等映射。殘差學習不會增加額外的參數(shù)和計算復雜度，但最終的錯誤率不會因為深度的增加而變差。本文編碼器-解碼器結(jié)構(gòu)的CNN模型結(jié)合了殘差網(wǎng)絡，可加深網(wǎng)絡的深度，且能提升網(wǎng)絡性能。

與原始映射H(x）相比，擬合殘差映射F(x)=H(x)-x相對來說更容易。殘差網(wǎng)絡結(jié)構(gòu)如圖3所示，殘差網(wǎng)絡可以將前向神經(jīng)網(wǎng)絡輸入通過“捷徑”與輸出連接，這相當于進行了恒等映射。殘差學習不會增加額外的參數(shù)和計算復雜度，但最終的錯誤率不會因為深度的增加而變差。本文編碼器-解碼器結(jié)構(gòu)的CNN模型結(jié)合了殘差網(wǎng)絡，可加深網(wǎng)絡的深度，且能提升網(wǎng)絡性能。本文編碼器-解碼器結(jié)構(gòu)的CNN模型如圖1所示。編碼器利用池化層將輸入的圖像不斷地轉(zhuǎn)換到更小的特征維度，解碼器是盡量將小的圖片特征維度信息上采樣到與專家手動分割圖一致。本文架構(gòu)參考了U-Net[17]模型，由于編碼過程中圖像信息存在丟失且解碼過程很難詳細地恢復原有的圖像信息，因此通過將編碼層的映射再次引入到解碼層中來彌補編碼過程中圖像信息的損失。本文在U-Net的基礎上進行了改進，減少編碼和解碼的模塊，增加網(wǎng)絡的深度，并與殘差網(wǎng)絡的“捷徑”結(jié)合，構(gòu)建由卷積層、池化層、反卷積層、“捷徑層”和非線性激活函數(shù)（ReLU）組成的網(wǎng)絡模型。分割過程中通過卷積運算來提取圖像特征，定義Win和bin分別為第n個卷積層中第i個卷積核的權(quán)重和偏差，則第n層卷積輸出Fin為

【參考文獻】：
期刊論文
[1]基于全卷積神經(jīng)網(wǎng)絡的多尺度視網(wǎng)膜血管分割[J]. 鄭婷月,唐晨,雷振坤.  光學學報. 2019(02)
[2]基于改進卷積神經(jīng)網(wǎng)絡的視網(wǎng)膜血管圖像分割[J]. 吳晨玥,易本順,章云港,黃松,馮雨.  光學學報. 2018(11)
[3]彩色眼底圖像視網(wǎng)膜血管分割方法研究進展[J]. 朱承璋,鄒北驥,向遙,嚴權(quán)峰,梁毅雄,崔錦愷,劉晴.  計算機輔助設計與圖形學學報. 2015(11)



本文編號：3482058