融合注意力机制和中间监督的眼底图像出血点分割方法

针对眼底图像中小尺寸出血点分割能力不足和抗噪声能力弱导致分割精度低的问题,提出了一种融合注意力机制和中间监督的U-Net模型。首先在编码器向解码器传送浅层特征的跳跃连接结构中引入注意力门模块,以消除浅层特征图中无关噪声产生的歧义;然后在多尺度特征融合阶段引入CBAM注意力模块,以提升特征图之间的相互依赖关系和局部特征的表征能力;最后使用基于真值标签的自编码网络对网络训练过程进行中间监督,以提升模型的整体性能。方法在IDRiD数据集上进行模型训练与验证,准确率为80.13%,召回率为86.77%,F-score为83.32%。实验结果表明,该方法性能较优能够有效实现出血点的分割。

基于多任务学习的眼底图像红色病变点分割

糖尿病性视网膜病变(糖网病)是导致成年人视觉损失的主要因素之一.早期的眼底筛查可以显著降低这种视觉损失的可能性.彩色眼底图像由于具有采集便利、对人体无伤害等特点,常被用于大规模的眼底筛查工作.对眼底图像中的红色病变点而言,微动脉瘤是轻度非增殖性糖网病的主要标志,出血点与中度及重度非增殖性糖网病的诊断有关,因此,眼底图像中出血点和微动脉瘤的准确分割对糖网病分级诊断具有重要参考价值.提出一种基于多任务学习的分割模型Red-Seg来对出血点和微动脉瘤进行分割.该网络包含两个分支,每个分支处理一种病变点.设计了一种两阶段训练算法,并且两个阶段使用不同的损失函数:第1阶段使用改进的Top-k带权交叉熵损失函数,将模型训练集中在难分样本上;第2阶段将最小化假阳性和假阴性作为Red-Seg模型训练的优化目标,进一步减少病变点误分.最后,在IDRiD数据集上进行模型验证,并与其他病变点分割方法进行对比.实验结果表明,在应用Red-Seg模型进行微动脉瘤和出血点红色病变点分割时,两阶段训练算法可以显著减少病变点误分情况,尤其是出血点分割的准确率和召回率都提高2.8%.同时,与HED、FCRN、DeepLabv3+和L-Seg等图像级分割模型相比,Red-Seg模型在微动脉瘤分割上获得了更好的AUC_PR.