语义融合眼底图像动静脉分类方法
目的 眼底图像中的动静脉分类是许多系统性疾病风险评估的基础步骤.基于传统机器学习的方法操作复杂,且往往依赖于血管提取的结果,不能实现端到端的动静脉分类,而深度语义分割技术的发展使得端到端的动静脉分类成为可能.本文结合深度学习强大的特征提取能力,以提升动静脉分类精度为目的,提出了一种基于语义融合的动静脉分割模型SFU-Net(semantic fusion based U-Net).方法 针对动静脉分类任务的特殊性,本文采用多标签学习的策略来处理该问题,以降低优化难度.针对动静脉特征的高度相似性,本文以DenseNet-121作为SFU-Net的特征提取器,并提出了语义融合模块以增强特征的判别能力.语义融合模块包含特征融合和通道注意力机制两个操作:1)融合不同尺度的语义特征从而得到更具有判别能力的特征;2)自动筛选出对目标任务更加重要的特征,从而提升性能.针对眼底图像中血管与背景像素之间分布不均衡的问题,本文以focal loss作为目标函数,在解决类别不均衡问题的同时重点优化困难样本.结果 实验结果表明,本文方法的动静脉分类的性能优于现有绝大多数方法.本文方法在DRIVE(digital retinal images for vessel extraction)数据集上的灵敏性(sensitivity)与目前最优方法相比仅有0.61％的差距,特异性(specificity)、准确率(accuracy)和平衡准确率(balanced-accuracy)与目前最优方法相比分别提高了4.25％,2.68％和1.82％;在WIDE数据集上的准确率与目前最优方法相比提升了6.18％.结论 语义融合模块能够有效利用多尺度特征并自动做出特征选择,从而提升性能.本文提出的SFU-Net在动静脉分类任务中表现优异,性能超越了现有绝大多数方法.
眼底图像、动静脉分类、深度学习、语义分割、特征融合
25
TP391.41(计算技术、计算机技术)
国家自然科学基金项目;天津市自然科学基金项目
2020-11-30（万方平台首次上网日期，不代表论文的发表时间）
共12页
2259-2270
