文献类型：期刊文章

作　　者：薛文渲[1] 刘建霞[1] 刘然[1] 袁晓辉[2]

Xue Wen-xuan;Liu Jian-xia;Liu Ran;Yuan Xiao-hui(College of Information and Computer,Taiyuan University of Technology,Jinzhong,Shanxi 030600,China;Computer Science Department,University of North Texas,Denton,Texas76201,United States)

机构地区：[1]太原理工大学信息与计算机学院,山西晋中030600 [2]北德克萨斯州大学计算机系,美国德克萨斯州丹顿市76201

出　　处：《光学学报》

基　　金：山西省回国留学人员科研教研资助项目(2019096)。

年　　份：2020

卷　　号：40

期　　号：12

起止页码：100-110

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：当前主流的眼底视网膜血管分割方法存在细微血管细粒度特征很难采集和细节容易丢失的问题。为解决这一问题,设计了一种改进U-Net模型算法,该算法将U-Net上下采样中的原始卷积层改为二次循环残差卷积层,提升了特征的使用效率;在解码部分引入多通道注意力模型,改善了低对比度下细小血管的分割效果。该算法在DRIVE(Digital Retinal Images for Vessel Extraction)和STARE(Structured Analysis of the Retina)两个数据库的准确率分别为96.89%和97.96%,敏感度分别为80.28%和82.27%,AUC(Area Under Curve)性能分别为98.41%和98.65%,较现有的先进算法有一定的提升。本文所提算法能有效提高眼底图像细微血管分割准确率。

关 键 词：图像处理 视网膜血管 U-Net  循环残差网络  注意力机制  

分 类 号：TP391]