目的针对视网膜血管图像分割中血管特征尺度多变、毛细血管细节丰富以及视杯视盘、病变等特殊区域干扰导致的表征不精确、分割误差大以及结果不准确等问题,提出一种视网膜血管图像分割的尺度特征表示学习网络,包括尺度特征表示、纹理特征增强和双重对比学习3个模块。方法首先,输入视网膜图像集中的图像,通过引入空间自注意力构建尺度特征表示模块,对视网膜血管进行分层尺度表征;然后,采用上下文信息引导的纹理滤波器对血管尺度特征进行纹理特征增强;最后,通过采样血管尺度特征和纹理增强特征,并定义联合损失进行双重对比学习,优化两种特征空间中视杯视盘、病变等特殊区域的血管。结果为了验证方法的有效性,在3个具有挑战性的数据集上进行对比实验,结果表明,构建的视网膜血管图像分割网络有助于准确表示血管尺度特征和纹理增强特征,能够较好地获得完整的视网膜毛细血管等特殊区域的血管分割结果。本文方法在DRIVE(digital retinal images for vessel extraction)数据集中较对比的大多数方法,Acc(accuracy)值平均提高了0.67%,Sp(specificity)值平均提高了0.48%;在STARE(structured analysis of the retina)数据集中较对比的大多数方法,Se(sensitivity)值平均提高了6.01%,Sp值平均提高了6.86%;在CHASE_DB1(child heart and health study in England)数据集中较对比的大多数方法,Se值平均提高了1.88%,F1(F1 score)值平均提高了1.98%。结论本文提出的视网膜血管图像分割网络,能精准分割多尺度血管、毛细血管和特殊区域的血管,有效辅助视网膜血管疾病诊断。
维普期刊数据库
同方期刊数据库
暂无评论