多尺度卷积核U-Net模型的视网膜血管分割方法

TP391.41; 针对病变视网膜血管结构的计算机辅助诊断问题,提出了一种多尺度卷积核U-Net模型的视网膜血管分割方法.在U-Net模型基础上设计了融合Inception模块和最大索引值上采样方法的多尺度卷积神经网络结构.在网络训练阶段,采取旋转、镜像等操作进行数据集扩充,运用CLAHE算法进行图像预处理;训练后得到的双通道特征图,进行Softmax归一化;最后通过改进的代价损失函数对归一化结果迭代优化,得到完整的视网膜血管分割模型.实验结果表明,所提方法在DRIVE数据集上分割的准确率达到0.9694,灵敏性达到0.7762,特异性达到0.9835,比U-Net模型具有更优的分割效果和泛化...

Full description

Saved in:
Bibliographic Details
Published in东北大学学报（自然科学版） Vol. 42; no. 1; pp. 7 - 14
Main Authors 杨丹, 刘国如, 任梦成, 裴宏杨
Format Journal Article
LanguageChinese
Published 东北大学 辽宁省红外光电材料及微纳器件重点实验室,辽宁 沈阳 110819%东北大学 信息科学与工程学院, 辽宁 沈阳 110819 2021
东北大学 信息科学与工程学院, 辽宁 沈阳 110819
东北大学 辽宁省红外光电材料及微纳器件重点实验室,辽宁 沈阳 110819
东北大学 智能工业数据解析与优化教育部重点实验室, 辽宁 沈阳 110819%东北大学 信息科学与工程学院, 辽宁 沈阳 110819
Subjects
视网膜血管
Inception模块
U-Net模型
多尺度卷积核
CLAHE算法
Online AccessGet full text
ISSN1005-3026
DOI10.12068/j.issn.1005-3026.2021.01.002

Cover

More Information
Summary:TP391.41; 针对病变视网膜血管结构的计算机辅助诊断问题,提出了一种多尺度卷积核U-Net模型的视网膜血管分割方法.在U-Net模型基础上设计了融合Inception模块和最大索引值上采样方法的多尺度卷积神经网络结构.在网络训练阶段,采取旋转、镜像等操作进行数据集扩充,运用CLAHE算法进行图像预处理;训练后得到的双通道特征图,进行Softmax归一化;最后通过改进的代价损失函数对归一化结果迭代优化,得到完整的视网膜血管分割模型.实验结果表明,所提方法在DRIVE数据集上分割的准确率达到0.9694,灵敏性达到0.7762,特异性达到0.9835,比U-Net模型具有更优的分割效果和泛化能力,与其他现存方法相比具有一定的竞争力.
ISSN:1005-3026
DOI:10.12068/j.issn.1005-3026.2021.01.002