青光眼是不可逆性失明的首要原因,早期癥狀不明顯,容易被忽視,因此青光眼早期篩查尤為重要。杯盤比是臨床上用于青光眼篩查的重要指標(biāo),所以精準(zhǔn)分割視杯視盤是計(jì)算杯盤比的關(guān)鍵。本文提出了一種基于全卷積多尺度殘差神經(jīng)網(wǎng)絡(luò)的視杯視盤分割方法。首先,對眼底圖像進(jìn)行對比度增強(qiáng),并引入極坐標(biāo)變換。隨后,構(gòu)造W-Net作為主體網(wǎng)絡(luò),用帶殘差多尺度全卷積模塊來替代標(biāo)準(zhǔn)卷積單元,輸入端口加入圖像金字塔來構(gòu)造多尺度輸入,側(cè)輸出層作為早期的分類器生成局部預(yù)測輸出。最后,提出了一種新的多標(biāo)簽損失函數(shù)來指導(dǎo)網(wǎng)絡(luò)分割。實(shí)驗(yàn)采用REFUGE數(shù)據(jù)集驗(yàn)證,最終視杯、視盤分割的平均交并比分別為0.904 0、0.955 3,重疊誤差分別為0.178 0、0.066 5。結(jié)果表明,該方法不僅實(shí)現(xiàn)了視杯視盤聯(lián)合分割,而且有效提高了其分割精度。該方法將有助于大規(guī)模青光眼早期篩查的推廣。 

【文章來源】：生物醫(yī)學(xué)工程學(xué)雜志. 2020,37(05)北大核心EICSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

不同眼底照相機(jī)拍攝的眼底圖像

眼底圖像和標(biāo)注圖像的預(yù)處理過程

借鑒U-Net[25]、M-Net[26]，本文將兩個(gè)U-Net進(jìn)行級聯(lián)作為網(wǎng)絡(luò)的主體，如圖3所示。U-Net是一種高效的生物醫(yī)學(xué)圖像分割的全卷積神經(jīng)網(wǎng)絡(luò)，由編碼路徑和解碼路徑兩部分組成，但是對于較復(fù)雜的多標(biāo)簽任務(wù)，往往U-Net的分割精度不高，本文主網(wǎng)絡(luò)是將兩個(gè)U-Net進(jìn)行級聯(lián)，前U型網(wǎng)絡(luò)為后U型網(wǎng)絡(luò)提供了較為淺層的語義表達(dá)，后U型網(wǎng)絡(luò)對前U型網(wǎng)絡(luò)提供的淺層信息進(jìn)行進(jìn)一步語義抽象與增強(qiáng)。這種結(jié)構(gòu)加深了神經(jīng)的深度，從而使得網(wǎng)絡(luò)能在訓(xùn)練過程中學(xué)習(xí)到更多深層結(jié)構(gòu)信息和更加抽象的語義信息；再加之網(wǎng)絡(luò)中的跳躍連接，可以實(shí)現(xiàn)網(wǎng)絡(luò)中同一尺度深、淺不同層次之間的語義信息融合和減少不同語義之間的語義鴻溝，來指導(dǎo)網(wǎng)絡(luò)提取深層的可分性語義表示。此外，淺層特征可最大程度保留圖像原始的結(jié)構(gòu)信息，而深層特征則包含更多抽象結(jié)構(gòu)信息，兩者進(jìn)行融合有利于在最后的卷積通道中恢復(fù)目標(biāo)中的空間維數(shù)和結(jié)構(gòu)細(xì)節(jié)，進(jìn)而提高分割精度。1.3.2多尺度輸入層

【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)區(qū)域生長算法在視杯圖像分割中的應(yīng)用[J]. 劉振宇,汪淼.  遼寧大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(02)
[2]基于眼底結(jié)構(gòu)特征的彩色眼底圖像視盤定位方法[J]. 肖志濤,邵一婷,張芳,溫佳,耿磊,吳駿,尚丹丹,蘇龍,單春艷.  中國生物醫(yī)學(xué)工程學(xué)報(bào). 2016(03)
[3]基于定向局部對比度的眼底圖像視盤檢測方法[J]. 鄭紹華,陳健,潘林,余輪.  中國生物醫(yī)學(xué)工程學(xué)報(bào). 2014(03)



本文編號：3535892