多通道条件生成对抗网络视网膜血管分割算法

目的提出一种对医学眼底图像中的血管部分进行准确分割的模型,避免传统医学图像处理算法严重依赖于人工设计的特征、特征的设计较复杂、模型的泛化能力较差等问题。方法本研究中采用深度学习的算法实现医学图像中对眼底图像中血管部分的分割任务,提出了一种基于改进的条件生成对抗网络(cGAN)的血管分割算法,并在该任务中引入了多尺度的网络结构用于提取眼底图像中不同类型的血管。结果该分割模型在特征比较明显的主血管部分和对比度较低、提取难度较大的血管分支上均能取得很好的效果,实现了眼底图像上血管的自动分割。在模型评估阶段,本研究中通过多个在医学图像分割领域中广泛应用的评价指标对本研究中设计的模型进行评估。在DRIVE数据集上的验证结果显示,特异度为0.9829,F1评分为0.7944,G-mean为0.8748,马修斯相关系数(MCC)为0.7764,在STARE数据集上特异度为0.9782,F1评分为0.7735,MCC为0.7573。结论多通道cGAN相对于同任务的分割算法性能具有很大的提升,并在某些评价指标上能够接近医生分割的结果。