基于ResNet34-UNet的静脉超声图像分割方法研究

静脉超声图像存在噪点多、阈值分割效果不佳的问题,对此本研究提出一种基于ResNet34主干网络的ResNet34-UNet分割网络模型,利用ResNet34网络残差学习的结构特点,在保证网络能够提取充足图像特征的前提下,有效避免梯度消失和网络退化问题,且34层的网络深度维持了较小的网络规模;利用U-Net结构特有的长连接模块,将静脉超声图像的深层特征与浅层特征有效融合,使对静脉的识别精度得到较大幅度的提升,实现了静脉边缘的平滑分割。将300张静脉超声图像作为训练集,200张作为测试集,通过随机旋转、翻转、投影等操作进行数据集的增强,经过10轮迭代训练后得到模型的准确率达96.3%,较全卷积神经网络高5.9%,较DeepLab v3+高5.2%。结果表明基于ResNet34-UNet的分割方法能够准确地分割静脉超声图像,为后续超声影像下静脉的自动识别与跟踪提供了技术参考。