admin管理员组文章数量:1566635
2024年6月13日发(作者:)
2021
年
4
月
第
36
卷第
4
期
内江师范学院学报
JournalofNeiianormalUniversit
jg
N
y
Ar.2021
p
Vol.36No.4
基于
DenseU-Net
的眼底视网膜血管分割
付顺兵
,
王朝斌
*
,
陈
旭
,
刘文秀
,
张晓倩
()
西华师范大学计算机学院
,
四川
南充
637009
针对眼底视网膜血管图像特征信息复杂
,
现有的血管分割算法对细小血管特征难以采集和血管误分
摘
要
:
割等问题
,
提出一种融合
U
首先
,
提取眼底图像的绿通道
,
通过限制对比度自适
-Net
网络和密集网络的分割方法
.
应直方图均衡化对图像进行血管增强处理
,
其次
,
利用局部自适应
G
同时
amma
校正来调整眼底图像的亮度信息
,
))
和
S
两个公开数据集上
DRIVE
(
diitalretinalimaesforvesselextractionTARE
(
structuredanalsisoftheretina
ggy
明所提方法能够准确识别并分割出眼底细微血管
,
提高了视网膜血管分割的准确率
.
://
DOI
.51-1621z.2021.04.008
j
中图分类号
:
TP391
文献标志码
:
A
;
关键词
:
图像处理
;
眼底图像
;
血管分割
;
密集网络
U-Net
在卷积层之间引入一种动态激活函数
,
提高网络的特征表达能力
,
最后输入到改进网络模型中进行分割
.
该算法在
的准确率分别为
9
特异性分别为
9
灵敏度分别为
8
实验表
6.28%
和
96.85%
,
8.46%
和
98.55%
,
0.47%
和
81.38%.
*
()
文章编号
:
1671-1785202104-0040-07
0
引言
眼底视网膜血管形态结构
(
如直径
、
分支
、
角度
等
)
是衡量人体健康的重要指标
,
能够反映出人体的
]
1
,、
青光眼
、
高血压等
[
因此
,
进行眼底图像
thDR
)
.
y
分析
,
对辅助医生诊断和治疗人体各种系统疾病
,
具
方法
.
该类方法虽然在分割速度上有优势
,
但提取到
的血管信息粗糙
,
分割的准确率较低
.
而有监督的方
该类分割方法需要人工提取的标签用于训练
.
常用
学习的方法
,
基于机器学习的方法首先通过人工提
取图像的特征再结合支持向量机
、
贝叶斯分类器等
[]
进行分割
.
如
Ricci
等
5
先对眼底图像进行预处理
,
法是通过提取图像的各种特征来训练一个能准确区
分血管和背景像素的分类器
,
最终实现血管的分割
.
的有监督方法包括基于机器学习的方法和基于深度
各种疾病
,
如糖尿病视网膜病变
(
diabeticretinoa
p
-
有重要的临床意义
.
目前
,
眼底视网膜图像的血管主
要还是通过人工分割获得
,
然而对眼底图像中的血
管进行手动标记费时费力
,
并且易受主观因素的影
响
,
难以获得高准确的分割结果
,
视网膜血管辅助诊
断疾病未得到广泛的应用
,
所以迫切需要一种能准
确分割视网膜血管的方法来为眼科医生提供有价值
的辅助诊断
.
近年来
,
国内外的专家学者针对眼底视网膜血
提取了图像的绿通道
,
然后再利用
SVM
对血管和
习的方法在准确率上有所提高
,
但由于需要人工提
取特征
,
很大程度上增加了因人为因素导致分割结
非血管进行分割
.
与无监督的方法相比
,
基于机器学
果错误的概率
.
为此
,
人们将基于深度学习的方法引
,
实现了血管的分割
.domforestRF
)
Fu
等
7
先将眼
底图像输入到卷积神经网络中生成其概率图
,
再使
[]
管提出了很多的分割算法
.
其分割算法可分为两大
验标记信息
,
而是使用传统的分割方法来提取眼底
]
2
]
34
]
、、
血管
,
如基于模型
[
形态学处理
[
匹配滤波
[
等
类
:
无监督方法和有监督方法
.
无监督方法不需要先
[
6
]
入医学图像分割领域
,
如
Wan
g
等使用卷积神经
网络提取眼底图像的特征
,
并结合随机森林
(
ran
-
收稿日期
:
2021-01-20
)
西华师范大学英才科研基金项目
(
基金项目
:
17YC498
,
付顺兵
(
男
,
四川凉山人
,
硕士研究生
,
研究方向
:
医学图像处理
作者简介
:
1995
—)
,
王朝斌
(
男
,
重庆人
,
教授
,
博士
,
研究方向
:
网络安全与算法
*
通信作者
:
1970
—)
第
4
期付顺兵
,
等
:
基于
DenseU-Net
的眼底视网膜血管分割
·
41
·
用全连接条件随机场来获得血管的分割结果
.Lu
8
]
等
[
提出一种包含收缩路径和扩展路径的神经网络
有冗余性
.
密集网络的主要改进在于任何两层之间
的输入为
x
,
H
代表一个非线性的操作
,
H
其公式
定义如下
:
[…,)
X
l
=
H
l
(
xxx
.
0
,
1
,
l
1
]
-
都有连接
,
每一层都会接收来自前面所有层的输出
,
实现了特征的重复利用
.
如图
1
所示
,
假设某层网络架构来对眼底视网膜血管进行分割
,
捕获了更多的
上下文语义信息
,
分割的准确率得到一定的提升
.
但
目前所提的血管分割算法仍存在细小血管特征难以
采集和误分割等问题
,
因此本文提出一种融合
U-
并用于
Net
网络和密集网络的
DenseU-Net
模型
,
1
相关算法原理
1.1 U-Net
模型
[]
U-Net
网络由
Ronneberer
等
9
在
2015
年提
g
[
10
]
,
改进的全卷积网络
,
其结构类似
networksFCN
)
于
U
型
,
因此得名
U
整个的
U-Net.-Net
网络主要
视网膜血管分割
.
图
1
密集连接模块
出
,
是一种基于全卷积神经网络
(
fullonvolutional
y
c
由两部分构成
:
收缩路径和扩展路径
.
其中收缩路径
用于获取输入图像的上下文信息
,
扩展路径用于对
输入图像中需要分割的区域进行精确定位
.
在对医
学图像进行分割时
,
由于器官结构固定和本身的语
义信息不是特别丰富
,
要想达到好的分割效果
,
图像
的深层特征和浅层特征都很重要
,
U-Net
网络通过
)
使用跳跃连接
(
融合深层和浅层的
skionnection
p
c
特征
,
能提取到更多的语义信息
,
所以
U-Net
网络
常用于医学图像分割任务中
.
2
视网膜血管分割网络结构
2.1
网络结构
针对眼底视网膜图像特征的复杂性及
U-Net
网络对细微血管特征难以采集等问题
,
本文提出了
一种融合
U-Net
网络和密集连接模块的
Dense
网络架构
,
整体网络结构如图
2
所示
.
传统
U-Net
网络使用
4
次下采样操作和
4
次上采样操作
U-Net
来提取图像的特征信息
,
由于眼底图像是小数据集
,
为了防止在训练过程中因网络层数过多而可能出现
]
12
的过拟合
[
等问题
,
因此本文使用
3
次下采样和
3
1.2
密集网络
[
11
]
密集网络由
Huan
g
等在受到以下两点启发
每一步都随机的
D
可以提高网络模
roout
一些层
,
p
型的泛化能力
.
这就说明神经网络中的某一层不仅
仅依赖于前一层的特征
,
还可以依赖更前面层的特
次上采样的网络架构
.
整体网络架构由收缩路径和
(、
下采样
、
上采样等操作
.
蓝色
concatenateblock
)
的条形框为密集模块
,
图中条形框旁的数字代表图
)、
扩展路径组成
,
包含密集模块
(
拼接块
denseblock
后提出
.
在对残差网络进行改进时
,
发现训练过程中
像的尺寸大小
,
黄色条形框为拼接块
,
是对扩展路径
中经过上采样操作后的图像与对应收缩路径网络层
的特征图进行融合
,
同时在每个卷积层之间使用一
种动态的激活函数
,
将在后面进行详细介绍
.
征
.
其次
,
在网络训练过程中随机舍弃很多中间层也
不会对算法的收敛性造成影响
,
说明了残差网络具
图
2 DenseU-Net
网络结构
·
42
·
内江师范学院学报第
36
卷
2.2 DnamicReLU
激活函数
y
在卷积神经网络中
,
激活函数的主要作用是引
入非线性的因素
,
使网络能够完成非线性映射
.
常见
、
的激活函数有
:
然而传统
SimoidTanh
、
ReLU
等
,
g
的激活函数是静态的
,
即对所有的输入样本都执行
同样的操作
.
为了改善神经网络中传统激活函数存
[]
13
,
来提
namicrectifiedlinearunitDnamicReLU
)
y
高本文网络模型的非线性表达能力
.
kkkkkk
,
a
x
)
αΔa
x
),
b
x
)
Δb
x
)
=+
λ
=
c
(
ac
(
c
(
bc
(
β
+
λ
kkkk
、
其中
,
αbλλ
b
是用
c
、
c
的初始值
,
a
和
β
分别为
a
于控制范围的标量
,
也就是在对每个特征通道上所
加的权值
.
3
实验及结果分析
3.1
眼底图像数据集
[
5
]
实验使用的数据集来自公开数据库
DRIVE
1
[
6
]
,
和
S
目前相关的研究大多采用这两个数
TARE
1
在的问题
,
本文通过引入了一种动态修正单元
(
d
y
-
图
3
动态修正单元流程
如图
将其分为
3
所示
,
对输入向量
x
进入激活函数之前
,
两个流分别输入
θ
(
x
)
和
f
θ
(
x
)
x
用于获得激活函数的参数
,
即对输入向量
(),
θ
(
x
x
各维度
)
的上下文信息进行编码
,
使其参数自适应激活函数
,
θ
U
(
x
)
x
的计算公式如下
()
用于获得激活函数的输出值
:
.D
y
namicRe
-
y
c
=
f
θ
(
x
)
(
c
)
=
其中
,
c
(
1
≤
c
x
1
m
≤
k
a
≤
x
K
{
a
k
c
(
x
c
+
c
}
≤
C
)
为通道数
,
k
)
x
b
k
(
1
≤
k
≤
,
数的数目
,
x
K
)
为函
c
表示第
c
个通道的输入向量
,
a
k
c
k
助函数
θ
下
:
(
x
)
计算得到的参数
,
表示
、
b
如
c
是一组由辅
θ
(
x
b
)
=
[
a
1
1
,…,
a
1
C
…,
a
K
…,
a
K
1
辅助函数
,…,
b
1
C
,…,
b
K
,
1
,…,
b
1
K
,
C
1
C
]
T
.
,
(
模块
s
q
ue
.
e
其主要思想是通过注意力来自动获取每个特
ze
-
and
-
ex
θ
cit
(
x
ati
)
onn
的计
etw
算
or
采
ks
用
,
SE
的
-N
是
et
S
)
E
网络
中的
SE
征通道的重要程度
,
然后按照这个重要程度去提升
对特定任务有用的特征信息
,
抑制用处不大的特征
信息
,
最后将权重加权到每个特征通道上
[
14
]
对于输入向量
.
(
x
lobalaverae
p
o
,
先
压
通
缩空
过
间
一
信
个
息
全
,
局
得
池
到
化
一维
层
向量
g
,
然后经过两个
g
oli
全
n
g
连
)
接层
(
full
y
connectedla
y
-
数
r
)
,
,
增加了更多的非线性操作
同时在两个全连接层之间
,
可以更好的拟合通道
使用一个
ReLU
函
间复杂的相关性
,
最后通过
Simoid
函数标准化输
出的范围
:
.
当完成
SE
模块中的计算后
g
,
最后的输出
为
据库来验证自己算法的性能
包含
40
张彩色眼底血管图像
.
其中
,
尺寸
DR
大
I
小
VE
数据集
为
5
565×
图像对应
84
,
如图
4
别如图
4
2
(
a
位专家的手动分割结果及眼底掩模
)
所示为一张原始眼底血管图像
.
每张
,
分
D
(
b
)、
图
4
(
c
)、
图
4
(
d
)
所示
.
本文使用
试图像进行实验
RIVE
数据库划分好的
,
训练数据包括彩色眼底图像
20
张训练图像和
20
张测
、
来自
第一位专家手动分割的结果图和掩模图像
,
测试时
使用来自第一位专家的手动分割结果对模型进行评
估
,
将模型的输出结果与第二位专家的手动分割结
果进行比较
.
图
4
数据库部分图像
1
STARE
数据集是由
中
Mic
包
ha
含
el
了
Goldbaum
在
其
图像
975
年发起的一个项目
,
每张图像对应
.20
张视网膜
大小为
设置掩膜图像
700×605
,
但
2
个专家的手动分割结果
,
尺寸
没有相对应的掩膜
,
需要手动
图像和测试图
.
由于该数据集官方并未划分为训练
像
,
因此本文将前
10
幅作为训练图
像
,
另外
10
幅作为测试图像
由于
DRIVE
数据集与
S
.
TARE
数据集中的图
f
L
e
第
4
期付顺兵
,
等
:
基于
DenseU-Net
的眼底视网膜血管分割
·
43
·
像较少
,
本文对训练图像进行数据增强处理
,
将经过
然后再进行水平
、
垂直和镜像翻转操作
,
数据集在原
来的基础上增加了
7
倍
,
DRIVE
训练数据图像变为
、、
预处理后的图像先进行
9
的旋转操作
,
0°180°270°
同时从每
140
张
,
STARE
训练数据图像变为
70
张
.
张图像中随机提取
2000
个大小为
48
p
ixel×48
图
5
展示了实
ixel
的局部样本块用于模型的训练
,
p
)
验中数据的部分局部样本块
,
其中图
5
(
为训练集
a
局部样本块
,
图
5
(
为对应的金标准局部样本块
,
b
)
可以看到图像被裁剪为很多的小块
,
TARE
数据集分别提取了
280000
和
1
D
4
R
00
IV
0
E
和
局部样本块
.
0
个
图
5
局部样本块示例
.2
数据预处理
由于眼底图像存在光照不均
、
血管与背景对比
度低等问题
,
为了易于网络的训练
,
提高分割的准确
率
,
先对这两个数据集进行预处理
(
两个
1
)
灰度变换
.
处理步骤如下
:
数据库的眼底图像都为
,
如图
6
所示
.
通
RG
过
B
图像
,
先对
图像进行通道提取实验可以看
出
,
提取绿色通道后的眼底图像中血管与背景对比
度高
,
能够较好的显示出血管结构
,
所以本文使用绿
色通道的图像进行后续的分割实验
(
对绿色通道后的图像进行零均值化和单位标准
2
)
数据标准化
.
化处理
,
使其符合正态分布
x′
.
公式如下
:
=
x
σ
-
μ
,
其中
,
x
为原始样本数据
,
μ
为原始样本数据的均
值
,
σ
为原始样本数据的标准差
,
x′
为标准化后的
图像数据
(
对图像进行分块处理
3
)
限制对比度自适应直方图均衡化
.
,
一般划分为
8
行
8
列的
图
6
眼底彩色图及其不同通道图像
4
个小块
,
然后对每一个小块进行直方图均衡化操
作
,
增加图像的对比度
(
.
对图像进行归一化处理
4
)
数据归一化
,
处理后图像的像素值
取值范围在
[
0
,
1
]
之间
.
归一化公式定义如下
:
x
norm
=
其中
,
x
为输入图
ma
x
i
像
x
(
x
-
min
(
x
)
的
)
-
min
(
x
,
像素点值
)
i
,
m
像素值
ax
(
x
)
,
x
分别为图像样本数据中最小像素值和最大
min
(
x
)
和
norm
为经过归一化处理后的像素值
.
膜图像的背
G
(
5
a
)
mm
局部自适应
a
校正是
G
一
a
种
mm
非
a
校正
线性操作
,
通过对视网
景和血管进行
图像中血管较暗部分的亮度信息
Gamma
校正
,
用于增强
,
并且能够有效保
留图像亮度较强部分的质量
.3
参数设置
.
本文使用
库进行实验
,
输入图像包括原始眼底图像
tensorflow
框架下的
keras
深度学习
、
金标准图
像及掩模
,
把输入图像的
为验证集
.
训练时
,
使用
A
90%
作为训练集
,
10%
作
本块
,
模型的迭代次数为
00
1
1
d
0
,
ma
优化
0.
练
器对模型进行
优化
,
初始学习率为
0.
每次训
20
个局部样
.4
性能评价指标
为了对本文所提算法的分割性能进行评估
,
采
用准确率
(
(
accurac
y
)、
特异性
(
s
p
ecificit
y
)、
灵敏度
率
sen
A
s
c
i
c
tiv
表示被
it
y
)
和
正
F1
值
(
确分
f
割
1-s
的
co
血
re
管
)
作为评价标准
像素点和背景
.
准确
像素
点占整个图像总的像素点的比例
;
特异性
S
p
表示被
S
6
3
3
3
·
44
·
内江师范学院学报第
36
卷
正确分割的背景像素点占金标准背景总的像素点的
比例
;
灵敏度
Sn
表示被正确分割的血管像素点占金
标准血管总的像素点的比例
;
F1
值用于衡量分割
结果和金标准之间的相似性
.
相关指标计算公式如
下
:
Acc
=
T
N
+
TT
NP
,,
S
p=
T
N
+
TFFTF
P
+
N
+
PN
+
P
T2T
PP
,,
F1-score
=
T2T
P
+
F
NP
+
F
P
+
F
N
其中
,
真阳性
)
表示血管像素被正确分类为血
T
P
(
Sn
=
管
;
T
假阳性
N
(
真阴性
)
表示
)
表示背景像素被正确分类为背景
背景像素被错误分类为血管
;
(
P
假阴性
(
ROC
)
表示血管像素被错误分类为背景
曲线
(
receivero
p
eratin
g
chara
.
;
F
N
cteristic
标
ur
系
.
v
它反映了不同阈值时灵敏度与特异性之间的关
e
)
也是一种衡量视网膜血管分割标准的重要指
,
其中横轴为假阳性率
(
纵轴为真阳性率
(
false
p
ositiverate
,
FPR
),
(
加直观地评估算法的血管分割性能
ar
t
e
r
au
ue
n
p
d
o
e
s
r
iti
t
v
h
e
er
ra
o
t
cc
e
,
T
,
u
其值越接近
r
P
v
R
e
),
A
R
U
O
C
C
曲
线下方的面积
,)
更
表示预测准确率越高
,
分割效果越好
1
,
.
.
.
5
5
实验结果分析
.1
本文改进模型分别在
分割结果
图像数据库上进行实验
,
其分割结果如图
DRIVE
和
STA
7
RE
眼底
和图
所示
.
其中第一列为输入图像
,
第二列为金标准图
8
像
,
第三列为本文模型的分割结果
分割的图像进行比较
,
本文算法可以将血管与背景
.
通过与专家手动
区域分开
,
并成功的检测出细小血管
,
具有良好的分
割性能
.
图
7
在
DRIVE
数据库上的分割结果
为了更直观的表现出本文算法的分割性能
,
给
出了如图
9
所示的
ROC
曲线
,
从图中可以看出
,
在
图
8
在
STARE
数据库上的分割结果
RIVE
和
高
,
存在血管误分割的可能性小
0.9
S
84
T
0
A
和
RE
数据库上的
0.9746
,
假阳性率较低
ROC
曲线下方面积
分别为
.
,
真阳性率
图
9
不同数据库上的
ROC
曲线
.5.2
为了验证本文改进模型在眼底视网膜血管分割
先进算法对比
上的分割性能
,
将本文所提算法在
DRIVE
和
法进行对比
TARE
数据集上的性能评价指标与目前先进的算
,
结果如表
1
和表
出
,
本文的分割算法在
DRIV
2
所示
E
数据
.
从表
集上
1
中可看
的
Acc
,
F
c
3
3
D
3
S
第
4
期付顺兵
,
等
:
基于
DenseU-Net
的眼底视网膜血管分割
·
45
·
,,
SSnF1-score
和
AUC
等性能指标分别达到了
p
从
96.28%
、
98.46%
、
80.47%
、
82.54%
和
98.40%.
4
结束语
眼底图像中视网膜血管的准确分割对患者早期
的诊断和治疗具有十分重要的临床意义
.
本文针对
法存在细小血管特征难以采集等问题
,
在
U-Net
网
络架构的基础上
,
提出了一种融合
U-Net
网络和密
集网络的分割方法
.
通过将密集网络中的密集连接
模块引入到
U
增加了特征信息的重复
-Net
网络中
,
利用
,
提高了分割的准确率
,
同时使用
DnamicRe
y
-
视网膜血管的图像特征信息复杂及现有血管分割算
综上所述
,
98.55%
、
81.38%
、
83.17%
和
97.46%.
这表明了本文所提的算法能够准确分割出细小血
性较强
.
管
,
相比其他算法对视网膜血管分割更具优势
,
鲁棒
表
1
在
DRIVE
数据集上与其他算法对比
单位
:
%
,,,
表
2
可看出
,
在
STARE
数据集上的
AccSSn
p
F1-score
和
AUC
等性能指标分别达到了
96.85%
、
Metho
[
ds
]
9
Acc
9
S
p
Sn
s
F
co
1-
Ro
A
y
z
C
c
z
h
h
o
en
17
9
77
—
re
AUC
o
p
w
a
g
d
r
h
d
[
8
]
u
i
1
r
[
19
]
9
4.74
9
4
9
7
.
8
.
98
.
0
3
47
2.52
—
9
9
5
.42
9
7
6.55
7
2
—
9
6.48
—
9
6.14
9
6
Pro
p
o
U
se
-
Lu
y
dm
Net
ethod
9
5
.
9
5
.
20
6
.
5
.
6
9
2
2
8
9
8.1
0
4
9
8
8
.
.
2
4
3
6
7
8
.50
8
5
.
0
.
1
.
6
2
4
5
7
8
8
0
2
.
.
8
5
6
4
9
7
.20
9
8
.
8
.
90
.
3
4
5
0
表
2
在
STARE
数据集上与其他算法对比
单位
:
%
A
M
zz
e
o
th
a
odsAccS
p
Sn
s
F
co
1-
R
9
9
7.017
—
re
L
o
i
y
s
c
9
77
7.1
—
9
A
4
UC
W
k
h
o
o
p
w
w
s
d
r
k
h
di
u
[
r
95
0
]
y
95
.
.
6
1
3
0
[
2
i
2
1
]
95.66
9
8
.30
7
7.2
6
0
—
9
9
8
.
8
.
44
.
8
6
57
7.26
—
9
6
.97
6
.
.
90
Pr98.5
0
5
7
5
8
8
.
1
.
2
.
4
3
3
6
8
8
8
1
3
.
.
5
1
9
7
9
.
o
5
p
.
o
U
a
3
se
-
n
表
dm
N
g
et
9
ethod9
9
6
6
.
6
.
4
.
7
0
8
8
59
6
—
71
7
.
.
9
4
5
6
激活函数对比
函数在
3
展示了基于本文改进模型的
6
种不同激活
看到
,
So
D
ft
RI
lu
V
s
E
数据集上的分割性能
激活函数的各项评价指标都很差
.
从表中可以
,
说
明该函数的非
p
线性表达能力差且不稳定
;
其变种激活函数的部分指标比前两种激活函数高
ReLU
及
,
但提升的效果并不大
;
各项评价指标上均有所提高
D
y
nam
,
i
这表明该函数能够更
cReLU
激活函数在
好地提升网络的非线性表达能力
,
从而增强了网络
对视网膜血管的分割效果
表
3
不同激活函数在
DRIV
.
E
数据集上的评价指标对比
单位
:
%
激活函数
S8
Acc
9
S
p
Sn
s
F
co
1-
re
8
AUC
S
of
E
t
p
L
l
U
us
8
0
9
266
8
2.43
Lea
R
k
e
R
L
e
U
LU
9
2
.
.
62
9
29
0
.
.
5
3
5
27
5
6
6.27
9
6.547
0
.
7
5
.
07
.
8
1
1
7
9
9
7
9
6
.14
5
.
.
82
D
y
na
P
m
R
i
e
cR
LU
eLU
9
0
.
0
.
6
8
4
5
8
9
3
6
.
.
5
2
7
8
9
5
9
6
.66
8
.
.
8
4
6
6
7
6.2
3
97
8
.21
8
7
0
.
.
6
4
3
7
8
8
.
.
86
8
0
2
.
5
.
3
2
5
7
4
9
9
6
8
.
77
.
6
4
4
0
U
激活函数来提高网络的非线性表达能力通过
在
DRIV
本文所提的算法能够分割出细小血管
E
和
STARE
两个眼底图像数据集上的实
.
验表明
,,
且准
确率较高
,
具有良好的分割性能
网膜血管图像仍会出现血管分割断裂的现象
.
但对带有病灶的视
,
如何
更准确地分割出带有病灶信息的眼底图像血管并防
止出现断裂的问题将是下一步研究的重点
.
参考文献
:
[
1
]
t
Z
m
a
HU
tioni
C
nc
,
ZO
ol
U
ou
B
rf
,
Z
u
HA
ndu
O
si
R
m
,
a
et
g
e
a
su
l.R
si
e
n
ti
g
na
e
l
x
v
t
e
re
ss
m
el
el
se
e
g
ar
m
n
e
in
n
-
g
Gr
a
a
c
p
h
h
i
i
n
c
e
s
,
2
[
0
J
17
]
.
,
55
C
:
o
68
m
-
p
77
ut
.
erizedMedicalIma
g
in
g
and
[
2
]
s
Z
e
HA
me
O
nt
YT
ation
,
RA
us
D
in
AL
,
n
C
fi
H
nit
E
e
NK
p
er
,
i
et
m
a
e
l
te
.
r
Au
a
t
c
o
t
matedvessel
r
m
g
e
o
ti
d
n
e
a
lw
lim
it
a
hh
g
es
y
b
[
r
J
id
g
]
.
re
I
g
i
E
i
E
on
ET
inf
r
o
a
r
n
m
sa
a
c
ti
ti
o
o
nw
nso
it
n
ha
i
M
p
v
e
p
e
l
d
i
i
c
c
c
a
o
a
t
l
i
n
o
t
I
n
ou
m
t
r
a
o
-
[
3
]
g
a
F
in
R
g
A
,
Z
201
M
5
M
,
34
,
B
(
9
A
)
R
:
1
MA
797
NSA
-1807.
,
REMAGNINOP
,
p
p
roachtolocalizetheretinalbloodvesselsusinit
[
4
]
a
l
陆
n
a
p
dP
nes
培
r
,
o
an
王
g
r
dc
磊
am
e
,
s
nt
李
i
e
nB
rli
志成
i
n
o
ed
,
m
等
e
e
d
tection
.
ic
一
in
种
e
,
[
J
]
.Com
g
b
普
20
适
12
的
,
10
基
8
于
(
2
p
多
)
ut
:
6
erMethods
尺
00
度
-6
滤
16
波
.
和
统计学混合模型的血管分割方法
[
J
]
.
中国生物医学工
程学报
,
[
5
]
s
R
i
I
n
C
g
C
l
I
in
E
2
eo
,
P
0
E
16
p
e
R
r
F
,
3
at
E
5
or
T
(
5
sa
TI
):
n
R
51
ds
.R
9
e
-
u
t
5
i
2
p
n
p
a
5
o
l
.
rtv
bloo
e
d
ct
v
o
e
rc
sse
l
l
as
s
s
e
i
g
fi
m
ca
e
t
n
i
t
o
a
n
tio
[
n
J
u
]
-
IEEETransactionsonMedicalIma
g
in
g
,
2007
,
26
(
10
):
.
[
6
]
1357.
b
WANGS
,
YINY
,
CAOG
,
b
l
7
l
o
0
e
o
8-
l
dv
e
7
a
1
r
e
7
n
s
i
selse
g
.
n
g
[
J
]
m
.N
en
e
t
u
at
r
i
o
o
c
nb
om
a
p
s
u
e
t
do
in
g
nf
rarchicalretinal
,
20
e
1
at
5
u
,
r
1
ea
49
n
(
de
Par
n
tB
sem
)
-
:
[
7
]
F
m
U
ent
H
at
,
i
X
o
UY
,
WONGDWK
,
lvesselse
g
-
condition
nv
alr
i
a
ad
nd
e
o
e
mf
p
l
i
e
e
a
l
r
d
n
s
in
[
g
C
n
]/
et
/
2
w
0
o
1
r
6
ka
IE
nd
EE1
full
3
y
t
-
h
co
I
n
nt
n
e
e
r
c
n
te
a
-
d
tionalS
y
m
p
osiumonBiomedicalIma
g
in
g
(
ISBI
)
.IEEE
,
L
3
·
46
·
2016
:
698-701.
内江师范学院学报第
36
卷
[]
8LUY
,
ZHOUY
,
lutionalencoderdecod
--
//
fundusimaes
[
C
]
20185thInternationalConference
g
,
,
2018
:
1071-1075.
jg
erarchitectureforretinalbloodvesselsementationin
g
,
retina
[
J
]
.IEEETransactionsonMedicalImain
gg
[]
HO16OVERAD
,
KOUZNETSOVAV
,
GOLDBAUMM.
threshold
p
robinfamatchedfilterresonse
[
J
]
.
g
o
p
,:
IEEEtransactionsonmedicalimain2000
,
19
(
3
)
gg
[]
17CHENGE
,
DUL
,
WUY
,
minativevessel
sementationinretinalimaesbusinontextaware
ggy
f
g
c
-
():
2014
,
2571779-1792.
],
hbridfeatures
[
eVisionandAlications
ypp
203-210.
Locatinloodvesselsinretinalimaesbiecewise
g
b
gyp
():
2004
,
234501-509.
Ridebasedvesselsementationincolorimaesofthe
ggg
-
),
onSstemsandInformatics
(
ICSAINovember10-12
,
y
[:
9
]
RONNEBERGERO
,
FISCHERP
,
BROXT.U-Net
/
tation
[
EBOL
]
.
(
2015-05-18
)[
2020-10-06
]
.ht
-
[],
10LONGJSHELHAMERE
,
v
y
c
-
IEEETransactionsonPatternAnalsisandMachine
y
[]
HUANGG
,
11LIUZ
,
WEINBERGERKQ
,
y
//
connectedconvolutionalnetworks
[
C
]
2017IEEE
ConferenceonComuterVisionandPatternReconi
pg
-
,():
Intellience2015
,
394640-651.
g
:////
1505.04597.
pg
ConvolutionalNetworksforBiomedicalImaeSemen
gg
-
olutionalnetworksforsemanticsementation
[
J
]
.
g
[]
A18ZZOPARDIG
,
STRSCIUGLION
,
VENTOM
,
etal.
]
licationtoretinalimaes
[
lImaeAnal
pggy
-
Trainablecosfirefiltersforvesseldelineationwitha
p
-
[]
张凯
,
陈亚军
,
张俊
.
生成对抗网络在医学小样本数据中
12
[]
13CHENYP
,
DAIXY
,
LIUMC
,
ReLU
y
//
2003.10027.
g
],():
的应用
[
J.
内江师范学院学报
,
202035457-60.
tion
(
CVPR
)
.IEEE
,
2017
:
2261-2269.
[,
19
]
ROYCHOWDHURYSKOOZEKANANIDD
,
PARHI
]
orvesselextractionandsubimaeclassification
[
J.
jg
,
IEEEJournalofBiomedical&HealthInformatics
():
2015
,
1931118-1128.
esselsementationoffundusimaesba
ggy
m
-
,():
sis2015
,
19146-57.
[/://
EBOL
]
.
(
2020-03-22
)[
2020-10-06
]
.httsarx
p
-
[,
20
]
inetinalblood
gg
r
]
vesselswithdeeeuralnetworks
[
ansactions
p
n
,,():
onMedicalImain2-2380.
gg
[]
HUJ
,
14SHENL
,
ALBANIES
,
andexcita
q
---
:////
1709.01507.
pg
/]
tionnetworks
[
EBOL
]
.
(
2017-09-05
)[
2020-10-06.
[]
W21ANGXH
,
JIANGXD
,
esselsementa
g
-
tionfromfundusimaebascadeclassificationframe
gy
ac
-
],,:
work
[
nReconition201988331-341.
g
[],
15STAALJABRAMOFFMD
,
NIEMEIJERM
,
etal.
RetinalVesselSementationBasedonDenseU-Net
g
*
,
WA
,,,
FUShunbinNGChaobinCHENXuLIUWenxiuZHANGXiaoian
gq
(,,
N
,)
SchoolofComuterScienceChinaWestNormalUniversitanchonSichuan637009
,
China
pyg
,,
tinhefeaturesoftinloodvesselsimaewhichoftenresultsinincorrectsementationanewsementationmethodcombi
g
t
y
b
ggg
-
:
,
Abstract
Inviewofthecomlexfeatureinformationofthefundusretinalbloodvesselimaeandthedifficultincollec
pgy
-
,
enhancement
p
rocessinntheimaebhecontrastlimitedadativehistorameualizationis
p
luselocal
g
o
gy
t
pgqy
,
functionisintroducedbetweenththeim
yppy
o
y
-
,
adativeGammacorrectiontoadustthebrihtnessinformationofthefundusimaeatthesametimeadnamicactivation
pjggy
,,
nin-Netnetworkanddensenetworkis
p
the
g
reenchannelofthefundusimaeisextractedandbloodvessel
g
U
yg
uracfthealorithmonthetwo
p
ublicdatasetsof
gppgy
o
g
thesecificitis98.46%and98.55%
,
thesensitivitis80.47%and81.38%.Theexerimentalresultsshowthatthe
p
roosed
pyypp
sementation.
g
))
DRIVE
(
DiitalRetinalImaesforVesselExtractionandSTARE
(
StructuredAnalsisoftheRetinais96.28%and96.85%
,
ggy
,
methodcanaccuratelidentifndsementthefinebloodvesselsofthefundusandimrovetheaccuracfretinalbloodvessel
yy
a
gpy
o
:
;;;;
Kewords
imae
p
rocessinfundusimaebloodvesselsementationU-Netdensenetwork
gggg
y
(
责任编辑
:
王
佩
)
版权声明:本文标题:基于Dense U-Net的眼底视网膜血管分割 内容由热心网友自发贡献,该文观点仅代表作者本人, 转载请联系作者并注明出处:https://www.elefans.com/xitong/1718279261a661914.html, 本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容,一经查实,本站将立刻删除。
发表评论