目的 青光眼会对人的视力造成不可逆的损伤,从眼底图像中精确地分割视盘和视杯是青光眼诊治中的一项重要工作,为有效提升视盘和视杯的分割精度,本文提出了融合上下文和注意力的视盘视杯分割方法(context attention U-Net,CA-Net).方法 进行极坐标转换,在极坐标系下进行分割可以平衡数据分布.使用修改的预训练ResNet作为特征提取网络,增强特征提取能力.采用上下文聚合模块(context aggregation module,CAM)多层次聚合图像上下文信息,使用注意力指导模块(attention guidance module,AGM)对融合后的特征图进行特征重标定,增强有用特征;使用深度监督思想同时对浅层网络权重进行训练,同时在视杯分割网络中引入了先验知识,约束对视杯的分割.结果 在3个数据集上与其他方法进行对比实验,在Drishti-GS1数据集中,分割视盘的Dice(dice coeffi-cient)和 IOU(intersection-over-union)分别为0.981 4和0.963 5,分割视杯的 Dice 和 IOU 分别为0.926 6和0.863 3;在 RIM-ONE(retinal image database for optic nerve evaluation)-v3数据集中,分割视盘的 Dice 和 IOU 分别为0.976 8和0.954 6,分割视杯的Dice和IOU分别为0.864 2和0.760 9;在Refuge数据集中,分割视盘的Dice和IOU分别为0.975 8和0.952 7,分割视杯的Dice和IOU分别为0.887 1和0.797 2,均优于对比算法.同时,消融实验验证了各模块的有效性,跨数据集实验进一步表明了 CA-Net的泛化性,可视化图像也表明CA-Net能够分割出更接近标注的分割结果.结论 在Drishti-GS1、RIM-ONE-v3和Refuge三个数据集的测试结果表明,CA-Net均能取得最优的视盘和视杯分割结果,跨数据集测试结果也更加表明了 CA-Net具有良好的泛化性能.
NETL
NSTL
维普
万方数据
