基于图卷积的视网膜血管轮廓及高不确定度区域细化框架

扫码查看

原文链接

NETL
NSTL
万方数据
维普

中文摘要：针对传统卷积神经网络(convolutional neural network,CNN)受感受野大小的限制,无法直接有效地获取空间结构及全局语义等关键信息,导致宽血管边界及毛细血管区域特征提取困难,造成视网膜血管分割表现不佳的问题,提出一种基于图卷积的视网膜血管分割细化框架.该框架通过轮廓提取及不确定分析方法,选取CNN粗分割结果中潜在的误分割区域,并结合其提取的特征信息构造出合适的图数据,送入残差图卷积网络(residual graph convolutional network,Res-GCN)二次分类,得到视网膜血管细化分割结果.该框架可以作为一个即插即用模块接入任意视网膜血管分割网络的末端,具有高移植性和易用性的特点.实验分别选用U型网络(U-neural network,U-Net)及其代表性改进网络DenseU-Net和AttU-Net作为基准网络,在DRIVE、STARE和CHASEDB1数据集上进行测试,本文框架的Sp分别为98.28％、99.10％和99.04％,Pr分别为87.97％、88.87％和90.25％,证明其具有提升基准网络分割效果的细化能力.

外文标题：Retinal vascular contour and high uncertainty regional refinement framework based on graph convolution

外文关键词：

retinal vascular segmentationconvolutional neural network(CNN)graph convolutional network(GCN)uncertainty analysisboundary extraction

作者：

吕佳、梁浩城、王泽宇

展开 >

作者单位：

重庆师范大学计算机与信息科学学院,重庆401331

重庆师范大学重庆国家应用数学中心,重庆401331

关键词：

视网膜血管分割卷积神经网络(CNN) 图卷积网络(GCN) 不确定度分析轮廓提取

基金：

国家自然科学基金重大项目重庆市教委"成渝地区双城经济圈建设"科技创新项目重庆市教委重点项目重庆市科技局技术预见与制度创新项目

项目编号：

11991024KJCX2020024KJZD-K2022005112022TFII-OFX0044

出版年：

2023

DOI：

10.16136/j.joel.2023.06.0338

光电子·激光

天津理工大学中国光学学会

光电子·激光

CSCD北大核心

影响因子：1.437

ISSN：1005-0086

年,卷(期)：2023.34(6)

参考文献量1