摘要
针对视网膜图像血管细小,细节特征丢失、梯度下降、爆炸而导致分割效果差的问题,本文提出了一种引人残差块、循环卷积模块和空间通道挤压激励模块的U-Net视网膜血管图像分割模型.首先通过使用一系列随机增强来扩展训练集并对数据集进行预处理,然后在U-Net模型中引入残差块,避免随着网络深度增加,分割准确率达到饱和然后迅速退化以及优化计算成本;并将U-Net网络的底部替换为循环卷积模块,提取图像低层次的特征,并不断的进行特征积累,增强上下文之间的语义信息,获得更有效的分割模型;最后在卷积层之间嵌入空间通道挤压激励模块,通过找到特征较好的通道,强调这一通道,压缩不相关的通道使得网络模型能够加强关键语义特征信息的学习,通过训练过程学习到有效的特征信息,同时增强抗干扰能力.通过在DRIVE数据集上的验证结果可得,本文所提模型的准确率为98.42％,灵敏度达到了 82.36％,特异值达到了 98.86％.通过和其他网络分割方法比较,本文所提分割方法具有更优的分割效果.
NETL
NSTL
维普
万方数据