基于注意力U-Net的视网膜血管分类识别

针对视网膜动静脉血管(A/V)自动分类方法的局限性,提出了基于注意力U-Net(AU-Net)的视网膜A/V自动分类方法。利用血管结构信息、拓扑关系及边缘信息增强视网膜A/V特征信息,在U-Net改进网络VC-Net模型中引入注意力模块,将局部与全局信息相结合,调整权重约束视网膜A/V特征,如抑制背景倾向特征并增强血管边缘及末端特征,实现视网膜A/V的精准分类。在DRIVE数据集中对本文方法性能进行了测试,结果表明,本文方法视网膜A/V分类精度为0.9685,F1值为0.9886,敏感度为0.9803,特异性为0.9957。由实验结果可见,与经典U-Net相比,本文方法各项性能指标均有显著提升,可供临床借鉴。