基于残差通道注意力的视网膜血管图像分割

摘要: 视网膜血管分割是诊断许多早期眼睛相关疾病的重要步骤。本文将整体嵌套边缘检测（holistically-nested edge detection，HED）网络应用于视网膜血管图像分割，并对该模型进行了一系列改进：针对现有方法识别边缘和精细血管能力不足的问题，引入了一种新的改进的高效通道注意(modified efficient chanel attention，MECA)模块，并且采用了双残差结构加深模型结构，提取更加精细的血管结构，为了防止模型加深产生过拟合问题，引入了结构化丢弃模块。为了进一步提高模型的灵敏度，本文在HED网络的特征融合阶段加入融合了MECA模块的短连接结构。实验表明，所提网络的灵敏度相比于目前最先进的方法有了明显提升，这说明本文所提方法具有最先进的识别视网膜血管的能力。

• 关键词: 
• 图像处理  /  
• 视网膜血管  /  
• 通道注意力  /  
• 边缘检测  /  
• 灵敏度  /  
• 双残差结构  /  
• 特征融合  /  
• 深度学习  

视网膜血管分割在眼相关疾病的早期诊断中具有重要意义，通过观察眼底血管系统，可以很容易地诊断和跟踪许多疾病(如糖尿病和高血压)。在临床实践中，视网膜血管系统通常由眼科医生根据眼底图像手动分割。这种手动分割是一项烦琐、费力且耗时的任务。为了减少人工分割的工作量并提高视网膜血管分割的准确性、处理速度和再现性，大量的研究工作致力于开发全自动或半自动的视网膜血管分割方法。然而，视网膜血管有许多细小而脆弱的血管，而且这些血管紧密相连，视网膜血管树结构相当复杂。