摘要：当前主流的眼底视网膜血管分割方法存在细微血管细粒度特征很难采集和细节容易丢失的问题。为解决这一问题,设计了一种改进U-Net模型算法,该算法将U-Net上下采样中的原始卷积层改为二次循环残差卷积层,提升了特征的使用效率;在解码部分引入多通道注意力模型,改善了低对比度下细小血管的分割效果。该算法在DRIVE(Digital Retinal Images for Vessel Extraction)和STARE(Structured Analysis of the Retina)两个数据库的准确率分别为96.89%和97.96%,敏感度分别为80.28%和82.27%,AUC(Area Under Curve)性能分别为98.41%和98.65%,较现有的先进算法有一定的提升。本文所提算法能有效提高眼底图像细微血管分割准确率。

摘要：为提升眼底视网膜血管分割的准确度,文中算法在U-Net基础上进行改进,提出了一种基于全卷积网络的眼底视网膜血管分割算法。将原始U-Net网络上下采样中的卷积层改为Inception模块,该模块可以在平衡网络深度和宽度的前提下,增大上下采样过程中特征向量的多尺度信息量与形状结构形态量;将原始网络底部的池化层部分改为金字塔型空洞卷积,该模块可以针对细小血管特征较难捕捉、分叉处丢失信息量较大的问题,增大局部感受野,更好地完成眼底视网膜血管分割技术。该算法在DRIVE数据库的准确率为95.39%,敏感度为78.42%,F1值为0.8213,较现有的先进算法有一定的提升。