基于卷积神经网络的眼底图像配准研究

摘要：

传统眼底图像配准方法提取的特征点分布过于密集,导致配准图像无法准确对齐,而眼底血管分叉特征点具有分布稀疏和特征稳定等特性,能提高图像的配准精度和速度.因此,本文针对血管分割和分叉特征点提取,提出一个基于深度学习的眼底图像配准框架.这个框架由2个深度卷积神经网络组成:第一个是眼底血管分割网络SR-UNet,其在U-Net的基础上融合通道注意力(SE)和残差块,用于分割血管去辅助提取特征点;第二个是特征点检测网络FD-Net,用于从血管分割图中提取分叉特征点.提出的配准模型在公共眼底配准数据集FIRE上进行实验,其特征点正确匹配率为90.03％,与较先进的算法进行对比,本文提出的算法在配准定量和视觉分析上都有较好的性能提升,具有较强的鲁棒性.

关键词：眼底图像配准;深度学习;血管分割网络;特征提取网络;U-Net

所属期刊栏目：39

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金;广西研究生教育创新计划项目

在线出版日期：2021-10-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：122-133