融合结构化卷积和双重注意力机制的轻量级眼底图像分割网络

作     者：汪华登 刘金 黎兵兵 潘细朋 刘振丙 蓝如师 罗笑南 Wang Huadeng;Liu Jin;Li Bingbing;Pan Xipeng;Liu Zhenbing;Lan Rushi;LuoXiaonan

作者机构：广西图像图形与智能处理重点实验室桂林541004 桂林电子科技大学计算机与信息安全学院桂林541004 广东省人民医院赣州医院(赣州市立医院)病理科赣州341000 广东省医学科学院广东省人民医院放射科广州510080 

基　　金：国家自然科学基金(62362014,62172120,62002082) 广西杰出青年基金(2019GXNSFFA245014) 广西图像图形与智能处理重点实验室(桂林电子科技大学)开放基金(GIIP2209) 

出 版 物：《计算机辅助设计与图形学学报》 (Journal of Computer-Aided Design & Computer Graphics)

年 卷 期：2024年第36卷第5期

页      码：760-774页

摘      要：眼底血管图像的自动分割对于多种眼科疾病的计算机辅助诊断具有重要作用.针对血管的尺度差异和图像噪声导致眼底血管图像分割困难、使用单一尺度卷积运算的深度学习方法获取的特征感受野有限,以及现有的方法复杂度过高的问题,提出一个融合结构化卷积和双重注意力机制的轻量级眼底图像分割网络.通过编码器增强、减少下采样次数和特征深度的编码-解码网络设计,实现参数量只有0.63M的轻量化网络.在编码阶段,提出一种结构化卷积方法,有效地避免了网络训练过拟合,提高了网络捕获差异化血管特征的能力;在解码阶段,采用基于空间和通道的双重注意力机制,使网络更加关注血管特征的上下文和几何空间信息,抑制病变等噪声的干扰.在DRIVE,CHASE_DB1和STARE数据集上进行实验的结果表明,所提网络图像分割的准确率分别为96.92%,97.57%和97.51%,灵敏度分别为83.68%,84.99%和84.87%,受试者曲线下的面积(AUC)分别为98.67%,99.05%和99.02%;并通过在DRIVE和STARE数据集上的交叉训练,验证了该网络的泛化能力.

主 题 词：眼底图像分割 编码-解码网络 轻量级网络 结构化卷积 双重注意力机制 

学科分类：08[工学] 080203[080203] 0802[工学-机械学] 

核心收录：

D　O　I：10.3724/SP.J.1089.2024.19843

馆 藏 号：203130831...