DU-Net:基于改进型U-Net的视网膜血管分割模型

使用视网膜血管的图像可以识别各种疾病,很多眼部疾病需要通过眼球的毛细血管状况来进行判别,因此视网膜血管的准确分割对一些疾病的早期诊断非常重要。医疗影像数据量与U-Net模型在体量上相匹配,有效避免了过拟合。但U-Net网络通常包含大量的层和参数,特别是在处理大型图像数据集时训练和推理的时间较长。为更好地分割视网膜血管,提供一个基于改进U-Net的视网膜血管图像分割方式,用Do卷积代替U-Net路径上的卷积运算,在不增加网络推理运算的情况下加快收敛速度并改善网络性能。在DRIVE数据集上的实验结果表明,与原始U-Net相比,IoU提升了1.2%,Dice提升了1.7%,Global correct提升了0.1%。