眼底视网膜血管分割研究

作     者：苏江涛 

作者单位：贵州民族大学 

学位级别：硕士

导师姓名：张乾

授予年度：2023年

学科分类：1002[医学-临床医学] 08[工学] 080203[工学-机械设计及理论] 100212[医学-眼科学] 0802[工学-机械工程] 10[医学] 

主      题：视网膜血管分割 U型网络结构 注意力机制 残差 密集连接 

摘      要：在临床医学上,眼科医生需要参考眼底视网膜血管图像的分割状况来对眼底疾病进行诊断。因此采用人工智能技术对视网膜血管图像进行精准分割,将会对眼科医生在眼底疾病进行诊断时起到一定的辅助作用,不仅可以减缓眼科医生的压力,还可以缩短患者就诊的时间。本文在三个公开的数据集DRIVE、CHASE和STARE上对视网膜血管分割进行了研究,并设计了两种不同的网络模型,通过实验结果验证了所提出的两种网络模型能够有效地对视网膜血管进行精准分割。本文所研究的内容主要包括以下两个方面:一、在视网膜血管分割中,针对细小血管断裂、分割中信息遗失过大、血管末梢缺失以及分割效果有待提高等问题,对拥有编码器-解码器的全卷积神经网络(U-Net)结构进行改进和优化,结合残差和空间注意力机制的优点设计了RSA-Unet算法,对视网膜血管图像进行分割。RSA-Unet方法使用的残差模块不仅可以用来构建深度网络,还可以获取更深层次的血管特征,能够有效地解决视网膜血管中特征丢失和信息损失的问题,提升网络性能。而RSA-Unet引入的空间注意力机制可以让网络充分学习到那些信息是有意义且重要的,即空间注意力机制可以增强重要特征(例如血管特征),并能够抑制不重要的特征,可以有效地提高视网膜血管分割效果。二、对目前视网膜血管分割中可能出现的误分割、细小血管分割不足和提高精确度等问题,提出了一种对U-Net改进的视网膜血管分割算法,设计了融合通道注意力机制(Channel Attention Module,CAM)与残差密集连接模块(Residual Dense Block,Res DB)的CAMRes DBU-Net网络,该网络先利用通道注意机制来增强网络的识别能力,再利用残差密集模块代替传统的卷积模块来提升网络分割细小血管的性能。同时该网络的残差密集模块可以代替编码和解码的传统卷积,对视网膜血管图像的特征实现自适应校准,突出显著信息抑制无关信息,能够很好地保留更多血管的细节信息,做到精准分割。本文所提出的两种分割算法在DRIVE、CHASE和STARE三个公开数据集上进行了实验验证,通过与最近几年提出的视网膜血管分割算法进行了对比,发现本文所提出的两种算法在各项性能指标上都有较好的表现,做到了精准分割。