針對視網(wǎng)膜圖像中血管細小而導致其分割精度低等問題,通過在U-Net網(wǎng)絡(luò)中引入Inception、空洞卷積與注意力機制等模塊,提出一種改進U-Net視網(wǎng)膜血管圖像的分割算法。首先,在編碼階段增加Inception模塊,采用不同尺度的卷積核對圖像進行特征提取,以獲得其多尺度信息;然后,在U-Net網(wǎng)絡(luò)的底部增加級聯(lián)空洞卷積模塊,以在不增加網(wǎng)絡(luò)參數(shù)的情況下擴大卷積操作的感受野;最后,在解碼階段為反卷積操作設(shè)計了注意力機制,將注意力機制與跳躍連接方式相結(jié)合,聚焦目標特征,以解決權(quán)重分散等問題�；跇藴蕡D像集DRIVE的實驗結(jié)果表明,所提算法的平均準確率、靈敏度與特異性較之U-Net算法分別提高1.15%,6.15%與0.67%,也優(yōu)于其他傳統(tǒng)分割算法。 

【文章來源】：光學學報. 2020,40(10)北大核心EICSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

經(jīng)典Inception結(jié)構(gòu)

針對眼底視網(wǎng)膜圖像因光照、病變等因素的干擾,圖像中細小血管出現(xiàn)分割精度低等問題,提出了一種基于改進的U-Net網(wǎng)絡(luò)算法。引入Inception模塊改善深層網(wǎng)絡(luò)優(yōu)化困難的問題,進一步提升網(wǎng)絡(luò)的泛化能力和網(wǎng)絡(luò)結(jié)構(gòu)的表達能力;結(jié)合級聯(lián)空洞卷積模塊保留多尺度的血管特征,在不增加額外參數(shù)的情況下擴大視網(wǎng)膜圖像特征映射的感受野,使網(wǎng)絡(luò)保留更多圖像細節(jié)以分割出眼底視網(wǎng)膜中較小的血管,有效地防止眼底視網(wǎng)膜血管圖像在訓練時產(chǎn)生過擬合;在解碼階段引入注意力機制,充分結(jié)合U-Net網(wǎng)絡(luò)跳躍結(jié)構(gòu),將眼底視網(wǎng)膜圖像的底層特征與高層特征相結(jié)合,抑制噪聲的影響,將目標聚焦在血管特征中,降低在編碼階段因為下采樣所導致的視網(wǎng)膜血管信息丟失率,恢復眼底視網(wǎng)膜血管結(jié)構(gòu),提升視網(wǎng)膜血管分割準確率�；诟倪MU-Net視網(wǎng)膜血管分割算法模型如圖1所示。本文所提算法一共由三個階段構(gòu)成,分別是編碼階段、級聯(lián)空洞卷積、解碼階段。對視網(wǎng)膜數(shù)據(jù)集進行預處理后輸入網(wǎng)絡(luò)編碼部分先經(jīng)過一個大小為3×3的卷積核,緊接著是4個Inception模塊,每一個Inception模塊都是由1×1、3×3和2個級聯(lián)的3×3卷積核并聯(lián)組成,通過提取不同尺度的視網(wǎng)膜血管特征進行融合,之后,接入一個大小為1×1的卷積核,以減少輸入信息的映射數(shù)目;在每一個Inception模塊后都接入一個大小為2×2,步長為2的最大池化層,目的是將視網(wǎng)膜血管特征圖縮小到上一層特征圖尺寸的一半;在經(jīng)過第4個最大池化層后接入一個空洞率分別為1、2、4、8的級聯(lián)空洞卷積模塊,有效融合血管多尺度信息,使網(wǎng)絡(luò)能夠提取出更多細小血管的特征。解碼部分是由上采樣層、Inception模塊和帶有跳躍連接的注意力機制組成。上采樣層是一個大小為3×3,步長為2的反卷積層,輸出的特征圖大小和跳躍連接所對應的特征圖的尺寸是一樣的,但是上采樣會造成一部分視網(wǎng)膜血管信息損失,所以接入帶有Attention模塊的跳躍連接,通過門控信息不僅可以恢復目標信息即將注意力聚焦到血管上降低編碼部分的信息損失,還可以解決權(quán)重分散等問題。最后通過SoftMax激活函數(shù)對眼底視網(wǎng)膜血管與背景圖像進行分類,輸出血管分割結(jié)果。

Inception模塊

【參考文獻】：
期刊論文
[1]自適應尺度信息的U型視網(wǎng)膜血管分割算法[J]. 梁禮明,盛校棋,藍智敏,楊國亮,陳新建.  光學學報. 2019(08)
[2]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.  光學學報. 2019(02)
[3]基于改進卷積神經(jīng)網(wǎng)絡(luò)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)
[4]1種視網(wǎng)膜眼底圖像增強的新方法[J]. 陳萌夢,熊興良,張琰,王詩鳴,李廣.  重慶醫(yī)科大學學報. 2014(08)



本文編號：3612427