MS-UNet++:基于改进UNet++的视网膜血管分割
本文针对视网膜图像中细微血管特征提取困难导致其分割难度高等问题,提出了一种基于端到端的神经网络嵌套视网膜血管分割模型算法(简称MS-UNet++),该算法选取了深度监督网络UNet++作为分割网络模型,提升特征的使用效率;引入MulitRes模块,改善低对比度环境下细小血管的特征学习效果,并在特征提取后加上SENet模块进行挤压和激励操作,从而增强特征提取阶段的感受野,提高目标相关特征通道的权重.基于DRIVE图像数据集的实验结果表明,该算法分割结果与真实结果之间的重叠率DICE值为83.64%,并交比1OU为94.83%,准确度ACC为96.79%,灵敏度SE为81.78%,较现有模型有一定的提升,可用于视网膜图像血管分割,为临床诊断提供辅助信息.
视网膜血管、UNet++、MultiRes、SENet、图像分割
32
TP391(计算技术、计算机技术)
面向大规模数据集的医学图像-文本跨模态检索关键技术研究;面向移动医疗的医学影像精准响应方法研究资助项目
2021-03-30(万方平台首次上网日期,不代表论文的发表时间)
共7页
35-41