基于动态特征图卷积网络的视网膜血管分割方法

作     者：缪林一 李峰 Miao Linyi;Li Feng

作者机构：上海理工大学光电信息与计算机工程学院上海200093 

出 版 物：《中国激光》 (Chinese Journal of Lasers)

年 卷 期：2024年第51卷第15期

页      面：173-183页

核心收录：

学科分类：08[工学] 0831[工学-生物医学工程（可授工学、理学、医学学位）] 0710[理学-生物学] 1007[医学-药学(可授医学、理学学位)] 0810[工学-信息与通信工程] 100706[医学-药理学] 1002[医学-临床医学] 1001[医学-基础医学(可授医学、理学学位)] 081203[工学-计算机应用技术] 0837[工学-安全科学与工程] 0835[工学-软件工程] 0836[工学-生物工程] 0803[工学-光学工程] 0701[理学-数学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家重点研发计划(2021YFB2802303) 

主　　题：图像处理 视网膜血管分割 图卷积神经网络 动态特征融合 

摘      要：利用深度学习技术进行视网膜血管分割是临床医生诊断眼底疾病的重要辅助方法。然而,现有方法忽略了感受野在高分辨率图像特征提取阶段的重要性以及深度特征图通道之间的动态拓扑相关性,导致通道间信息表征不足。为此,设计一种新颖的动态特征图卷积网络模型(DF-Net)。该模型采用结构化Dropout卷积块替代U-Net中的原始卷积块,构建一个双扩张卷积块(DDCB),旨在不增加模型参数量的同时扩大感受野,提升模型捕捉视网膜血管全局结构信息的能力。进一步,构建动态特征图卷积模块(DFGCM),将特征通道映射到拓扑空间并在拓扑空间上挖掘通道之间的动态拓扑关系,提高通道信息的利用率,丰富视网膜血管的特征信息。实验结果表明:所提DF-Net能够有效提高对视网膜血管的分割精度,在两个公共合理的高分辨率Fives和HRF数据集上,准确率分别达0.9876和0.9733,灵敏度分别达0.9088和0.8322,均优于现有的先进血管分割模型;在三个广泛使用的低分辨率DRIVE、STARE和CHASE_DB1数据集上,也表现出较为出色的分割效果。这些出色的分割结果表明所提DFNet具有辅助临床医生提高眼底疾病诊断能力的潜力。