基于改进Unet模型的视网膜血管分割

目的:提出一种能够自动准确分割视网膜血管的卷积神经网络模型,避免传统分割血管计算复杂、准确率不高的问题。方法:在传统Unet模型的基础上,减少网络层数来降低计算复杂度,使用连续空洞卷积对Unet卷积模型中部分卷积层替换来增加感受野,同时增加收缩路径中同层跳跃连接使模型能融合更多信息。结果:对DRIVE数据集的测试结果得到特异度为0.9812,灵敏度为0.7932,准确率为0.9561,1张视网膜血管分割时间为3.11 s。结论:该研究所提方法具有良好的血管分割质量和效率,可以为相关疾病诊断和治疗提供技术支持。