摘要：眼底图像中的OD和OC分割精度不高,且没有充分考虑二者空间信息的问题,为实现联合分割OC/OD,更加准确地测量杯盘比,实现青光眼筛查,提出了一种端到端的基于区域的深度卷积神经网络(region-based deep convolutional neural network,R-DCNN)。首先,在主干网络Res Net34中引入密集原子卷积以提取更密集的特征图。然后,设计了DPN和CPN模块产生OD和OC的候选边界框。之后,考虑到OD和OC之间位置的关系,使用盘注意力模块连接DPN模块和CPN模块,在精确获得OD和OC边界后,计算CDR作为青光眼筛查的指标。最后,将所提出的网络在公开的DRISHIT-GS和RIM-ONE r3数据集进行训练测试。通过与目前主流的先进方法对比,验证了所提网络在OD和OC分割以及青光眼筛查方面的性能,具有广大的应用前景。

摘要：现有的端到端青光眼筛查模型往往忽略细微病变区域而导致过拟合问题,并且其可解释性区域尚不明确.针对上述问题,提出一种语义特征图引导的青光眼筛查方法.利用基于MobileNet v2作为特征提取网络的DeepLab v3+分割模型进行视盘区域的分割定位,并且根据定位结果提取用于青光眼筛查的重点感兴趣区域,再通过设计注意力模块将其嵌入VGG分类网络实现青光眼的准确筛查.注意力模块利用语义特征图融合浅层特征综合生成注意力图,通过强化特征分类相关区域而抑制非相关区域,达到增强模型分类鲁棒性的目的.所提方法基于LAG database数据集测试的敏感性、特异性以及AUC分别为0.970,0.983和0.996,优于已有方法,且通过可视化注意力激活热图得到的模型决策关注区域更为精细,能够获得与医生诊断参考区域相一致的结果.