基于动态特征图卷积网络的视网膜血管分割方法

利用深度学习技术进行视网膜血管分割是临床医生诊断眼底疾病的重要辅助方法。然而,现有方法忽略了感受野在高分辨率图像特征提取阶段的重要性以及深度特征图通道之间的动态拓扑相关性,导致通道间信息表征不足。为此,设计一种新颖的动态特征图卷积网络模型(DF-Net)。该模型采用结构化Dropout卷积块替代U-Net中的原始卷积块,构建一个双扩张卷积块(DDCB),旨在不增加模型参数量的同时扩大感受野,提升模型捕捉视网膜血管全局结构信息的能力。进一步,构建动态特征图卷积模块(DFGCM),将特征通道映射到拓扑空间并在拓扑空间上挖掘通道之间的动态拓扑关系,提高通道信息的利用率,丰富视网膜血管的特征信息。实验结果表明:所提DF-Net能够有效提高对视网膜血管的分割精度,在两个公共合理的高分辨率Fives和HRF数据集上,准确率分别达0.9876和0.9733,灵敏度分别达0.9088和0.8322,均优于现有的先进血管分割模型;在三个广泛使用的低分辨率DRIVE、STARE和CHASE_DB1数据集上,也表现出较为出色的分割效果。这些出色的分割结果表明所提DFNet具有辅助临床医生提高眼底疾病诊断能力的潜力。