基于脉冲耦合神经网络结合U-Net的眼底血管分割

视网膜血管分割作为一种现代医学诊断的基础性方法,在眼部疾病及相关病症的筛查和诊断中起着重要作用。针对血管分割分割过程中细节丢失、连通性差等问题,提出一种新的分割算法。该算法基于改进的自适应阈值SSPCNN进行眼底血管图像分割,并应用改进SE模块的密集可变形卷积U-Net进行前期图像增强。为该算法设计实验,检测其在DRIVE和STARE数据集上的实际分割效果检测。实验结果表明该模型在DRIVE和STARE数据集上的灵敏度、特异性和准确度均优于现有算法。

U-Net与自适应阈值脉冲耦合神经网络相结合的眼底血管分割方法

由于眼底血管结构复杂多变,且图像中血管与背景对比度低,眼底血管分割存在巨大困难,尤其是微小型血管难以分割。基于深层全卷积神经网络的U-Net能够有效提取血管图像全局及局部信息,但由于其输出为灰度图像,并采用硬阈值实现二值化,这会导致血管区域丢失、血管过细等问题。针对这些问题,提出一种结合U-Net与脉冲耦合神经网络(PCNN)各自优势的眼底血管分割方法。首先使用迭代式U-Net模型凸显血管,即将U-Net模型初次提取的特征与原图融合的结果再次输入改进的U-Net模型进行血管增强;然后,将U-Net输出结果视为灰度图像,利用自适应阈值PCNN对其进行精准血管分割;在U-Net模型中引入Batch Normalization和Dropout,提高训练速度,有效缓解过拟合问题。实验结果表明,所提方法的AUC在DRVIE、STARE和CHASE_DB1数据集上分别为0.9796,0.9809和0.9827。该方法可以提取更多的血管细节,且具有较强的泛化能力和良好的应用前景。

基于小波变换和U-Net的眼底图像血管分割

眼底血管在许多疾病的检测和诊断中含有丰富的信息,因此提高眼底血管分割精度对于多种疾病的诊断和临床研究具有重要意义。本文提出了一种基于小波变换和U-Net神经网络的眼底图像血管分割算法,该算法通过数据增广与预处理、小波系数图像获取、U-Net神经网络训练与预测、阈值分割与后处理等步骤完成眼底血管的分割。采用分割准确率、特异度、灵敏度与AUC等指标,对本文算法进行了性能分析。实验结果显示,本文提出的眼底图像血管分割算法能得到满意的分割结果,在中医现代目诊中具有潜在的应用价值。

基于U-net的眼底视网膜血管语义分割研究

眼底血管的健康状态对于研究各类眼科疾病具有重要的参考意义。为了帮助临床医疗人员对眼底微血管形态结构图像的分析来诊断疾病,文中提出了一种基于编码-解码(Encoder-Decoder)结构的U-net的眼底血管分割方法。首先,在模型训练之前对图像进行预处理,然后使用Leaky ReLU激活函数替换U-net ReLU,避免了神经元的死亡问题,同时使用Adam(Adaptive Moment Estimate)优化器代替梯度下降法优化学习策略,最后对血管分割的平均交并比进行计算评估。实验表明,优化后的模型的平均精度可达到93.29%,相比原算法提升了3.26%。