融合残差注意力机制的UNet视盘分割
目的 青光眼和病理性近视等会对人的视力造成不可逆的损害,早期的眼科疾病诊断能够大大降低发病率.由于眼底图像的复杂性,视盘分割很容易受到血管和病变等区域的影响,导致传统方法不能精确地分割出视盘.针对这一问题,提出了一种基于深度学习的视盘分割方法RA-UNet(residual attention UNet),提高了视盘分割精度,实现了自动、端到端的分割.方法 在原始UNet基础上进行了改进.使用融合注意力机制的ResNet34作为下采样层来增强图像特征提取能力,加载预训练权重,有助于解决训练样本少导致的过拟合问题.注意力机制可以引入全局上下文信息,增强有用特征并抑制无用特征响应.修改UNet的上采样层,降低模型参数量,帮助模型训练.对网络输出的分割图进行后处理,消除错误样本.同时,使用DiceLoss损失函数替代普通的交叉熵损失函数来优化网络参数.结果 在4个数据集上分别与其他方法进行比较,在RIM-ONE(retinal image database for optic nerve evaluation)-R1数据集中,F分数和重叠率分别为0.957 4和0.918 2,比UNet分别提高了2.89%和5.17%;在RIM-ONE-R3数据集中,F分数和重叠率分别为0.969和0.939 8,比UNet分别提高了1.5%和2.78%;在DrishtiGS1数据集中,F分数和重叠率分别为0.966 2和0.934 5,比UNet分别提高了1.65%和3.04%;在iChallenge-PM病理性近视挑战赛数据集中,F分数和重叠率分别为0.942 4和0.891 1,分别比UNet提高了3.59%和6.22%.同时还在RIM-ONE-R1和Drishti-GS1中进行了消融实验,验证了改进算法中各个模块均有助于提升视盘分割效果.结论 提出的RA-UNet,提升了视盘分割精度,对有病变区域的图像也有良好的视盘分割性能,同时具有良好的泛化性能.
青光眼、UNet、深度学习、视盘分割、预训练、注意力机制、DiceLoss
25
TP391(计算技术、计算机技术)
国家自然科学基金项目;国家重点研发计划项目
2020-10-19(万方平台首次上网日期,不代表论文的发表时间)
共15页
1915-1929