论文阅读笔记：A novel retinal vessel detection approach based on multiple deep convolution neural networks

一种新颖的基于多重深度卷积神经网络的视网膜血管检测方法

关键词：视网膜血管分割、多重深卷积神经网络、图像分割

摘要

方法：在本文中，我们将检测任务作为一个分类问题，并使用基于深度卷积神经网络的多分类器框架来解决它。 在具有有限图像量的眼底图像上构建和训练多重深度卷积神经网络（MDCNN）。 MDCNN使用增量学习策略进行训练，以提高网络的性能。 最终的分类结果是从MDCNN结果的投票程序中获得的。
结果:MDCNN在DRIVE数据集上实现了较好的视网膜血管自动分割性能，在训练集和测试集上分别获得了95.97%和96.13%的准确率，0.9726和0.9737 的AUC分值。另一个公共数据集STARE也用于评估所提议的网络。实验结果表明，所提出的MDCNN网络在STARE数据集中的准确率为95.39%，AUC值为0.9539。我们进一步比较了我们的结果与几种最先进的方法基于AUC值。比较表明，我们的方案获得了第三好的AUC值。
结论:与现有方法相比，我们的方法具有更好的性能。此外，我们的方案没有预处理阶段，将输入的彩色眼底图像直接输入到CNN。

1.介绍

已发表的作品可分为两类，即图像处理和基于深度学习（DL）的方法。基于图像处理的方法涵盖了十几种基于图像处理和机器学习的方法[2-7]。在[2]中，作者使用2-D Gabor小波滤波器和线性分类器进行视网膜血管检测。作者基于所获得的特征向量确定每个像素（容器与否）的类别标签，所述特征向量由像素强度和多尺度Gabor小波系数组成。基于形态学的视网膜血管分割算法由Dash等人引入。在[3]中。作者最初使用对比度受限自适应直方图均衡（CLAHE）进行视网膜图像增强，然后通过测地线操作员实现血管分割。然后通过后处理阶段细化所获得的分割。 Zhao等人介绍了另一种视网膜血管分割算法。在[4]中，水平集和区域生长方法被组合起来用于有效的分割方案。正如在之前的方法[3]中应用的那样，基于CLAHE和各向异性扩散滤波应用图像增强。在[5]中，作者提出了一种基于剪切变换和不确定性滤波的视网膜血管分割方法[6]。最初将视网膜图像的绿色通道转化为中性结构域，然后提取剪切特征采用神经网络分类器将视网膜图像分类为血