由于亮度的相似性,带病灶眼底图像的视盘分割通常会受到亮病灶干扰.现有的视盘分割方法对正常的视网膜眼底图像具有较好的分割效果,但是在带病灶的眼底图像中表现不佳.在医学图像数据样本有限的情况下,U-Net网络能实现少样本训练生成较好的分割结果.提出一种将残差结构与U-Net网络融合的视盘分割方法.残差模块的跳跃连接能将浅层特征传递给更深一层网络,实现浅层特征的重复使用,增强了图像细节学习.将该方法在两个公开数据集Messidor和Kaggle上进行验证,在干扰较多的Kaggle数据集上,其AUC和MAP分别达到0.9521和0.8388,证明该方法可同时学习图像细节特征和全局结构特征,能更好地区分眼底视盘与亮病灶.
国家科技期刊平台
NSTL
万方数据
维普
