基于注意力机制的多尺度残差U-Net眼底血管分割
针对现有眼底血管分割方法难以辨别细小血管及交叉处血管分割断裂的问题,提出了一种基于注意力机制的多尺度U型网络。在编码阶段使用改进的残差块结构提取血管深度特征的同时有效解决过拟合问题,接着依次采用多尺度卷积模块和多尺度注意力模块进一步获取深度特征的多尺度特征信息。然后,使用MaxBlurPool进行池化,对数据进行降维并保证平移不变性。此外,在最后一个编码层引入混合注意力机制和并行空洞卷积,前者从通道和空间维度强调需要重点关注的信息,抑制背景区域的干扰;后者用来获取不同大小感受野的特征信息,且不会引入多余参数而导致计算负担。在解码部分,改进跳跃连接方式以抑制噪声的干扰并获得更加丰富的上下文信息。所提算法在公开的眼底数据集上取得了优于其他算法的分割效果。
图像处理、图像分割、视网膜血管、注意力机制、多尺度卷积、空洞卷积
59
TP391.41;TN911.73;R814.42
2022-10-17(万方平台首次上网日期,不代表论文的发表时间)
共1页
1810002