融合金字塔切分注意力模块的视杯视盘分割

视杯和视盘的垂直直径比是青光眼在临床诊断中的重要指标,为了更加准确地测量杯盘比,针对视网膜眼底图像中的视盘和视杯分割精度的问题,提出了一个改进后的端到端的U型卷积神经网络框架,采用Resnet 34作为新的编码部分,并在每一个编码层的末端引入金字塔切分注意力PSA模块以提取更多的有效特征信息。同时使用1×1卷积代替3×3卷积来简化解码结构,并且使用一个3×3卷积与一个通过跳跃连接的1×1卷积结构取代跳跃连接。该网络模型在内部数据集上完成训练后,在DRISHTI-GS数据集进行测试,对视盘和视杯的分割结果在Dice和IOU上分别表现为97.61%和95.32%,92.91%和86.75%,证明了该模型具有良好的泛化性。

融合残差上下文编码和路径增强的视杯视盘分割

目的 从眼底图像中分割视盘和视杯对于眼部疾病智能诊断来说是一项重要工作,U-Net及变体模型已经广泛应用在视杯盘分割任务中。由于连续的卷积与池化操作容易引起空间信息损失,导致视盘和视杯分割精度差且效率低。提出了融合残差上下文编码和路径增强的深度学习网络RCPA-Net,提升了分割结果的准确性与连续性。方法 采用限制对比度自适应直方图均衡方法处理输入图像,增强对比度并丰富图像信息。特征编码模块以ResNet34(residual neural network)为骨干网络,通过引入残差递归与注意力机制使模型更关注感兴趣区域,采用残差空洞卷积模块捕获更深层次的语义特征信息,使用路径增强模块在浅层特征中获得精确的定位信息来增强整个特征层次。本文还提出了一种新的多标签损失函数用于提高视盘视杯与背景区域的像素比例并生成最终的分割图。结果 在4个数据集上与多种分割方法进行比较,在ORIGA(online retinal fundus image database for glaucoma analysis)数据集中,本文方法对视盘分割的JC(Jaccard)指数为0.939 1,F-measure为0.968 6,视杯分割的JC和Fmeasure分别为0.794 8和0.885 5;在Drishti-GS1数据集中,视盘分割的JC和F-measure分别为0.951 3和0.975 0,视杯分割的JC和F-measure分别为0.863 3和0.926 6;在Refuge(retinal fundus glaucoma challenge)数据集中,视盘分割的JC和F-measure分别为0.929 8和0.963 6,视杯分割的JC和F-measure分别为0.828 8和0.906 3;在RIM-ONE(retinal image database for optic nerve evaluation)-R1数据集中,视盘分割的JC和F-measure分别为0.929 0和0.9628。在4个数据集上结果均优于对比算法,性能显著提升。此外,针对网络中提出的模块分别做了消融实验,验证了RCPA-Net中各个模块的有效性。结论 实验结果表明,RCPA-Net提升了视盘和视杯分割精度,预测图像更接近真实标签结果,同时跨数据集测试结果证明了RCPA-Net具有良好的泛化能力。

基于融合中间特征网络的视盘和视杯联合分割

针对视盘和视杯联合分割中视杯分割精度较差的问题,提出了一种融合编码与解码中间特征的U型网络(encode-decode middle feature fusion U-Net,EMFF-Net)。EMFF-Net使用预训练的ResNet34作为编码结构,在编码结构后加入密集空洞卷积和金字塔池化模块以产生复合感受域的特征,并使用交叉注意力连接替换U型网络结构中的跳跃连接。交叉注意力连接融合了编码特征与解码特征,通过通道注意力模块和空间注意力模块提取融合特征的信息用于强化解码特征,减小了解码特征与编码特征的语义沟壑。强化后的解码特征与编码特征再次融合后,通过解码结构输出视盘和视杯的联合分割结果。实验结果表明,与其他常用的分割方法相比,EMFF-Net的视盘和视杯联合分割效果较好,视杯分割性能有明显提升。

多专家注释的视杯和视盘不确定性量化

现有基于深度学习的视杯和视盘分割方法在模型训练时,仅使用图像的单个注释或从多个注释中获取唯一的注释信息,忽略原始多专家标注中嵌入的一致性或差异性信息,从而导致模型和预测结果过度自信等问题。提出一种基于多解码器不确定性感知体系的模型MUA-Net。通过引入专业知识推断模块,将各个专家注释的专业知识水平作为先验知识嵌入编码器和解码器的瓶颈中,以形成包含专家线索的高级语义特征。利用可同时学习多个注释的多解码器结构调节多专家之间的分歧,重构多专家注释过程,并对不确定或分歧区域进行量化。提出一种双分支软注意机制,增强多解码器分割预测的模糊区域,得到最终校准的分割结果。实验结果表明,该模型在RIGA数据集上能以较高的不确定性预测合理的区域,与MRNet模型相比,该模型在视杯分割中的平均精度、Dice系数、交并比分别提升了0.75、0.39、0.41个百分点。

一种基于递归深度特征融合的视杯视盘联合分割方法

青光眼是常见的致盲眼科疾病之一,其对视力的损害是不可逆的,若患者不能及时诊断治疗就会有失明的风险。杯盘比是青光眼检测过程中的重要指标,临床上多是采用手工方法对视杯视盘进行分割来计算杯盘比,其精度与效率难以保证。因此开发一种高效、准确的自动化视杯视盘分割系统迫在眉睫。现有方法存在视杯分割效果不佳、泛化能力差的问题。为解决以上问题,提出了一种名为R2RADF-net的深度神经网络,通过充分挖掘编码在不同层级的互补信息,能够对眼底图片中的视杯视盘区域联合分割。此外引入多尺度输入的结构使网络能够获得不同大小的感受野,并结合递归残差卷积模块提升联合分割的性能。在公开的REFUGE数据集的大量实验结果表明,R2RADF-net较已有方法取得了明显的性能提升。

基于高分辨率网络的视杯和视盘的联合分割

针对在使用视盘(OD)和视杯(OC)的分割测量杯盘比(CDR)来诊断青光眼的过程中,与视盘分割相比视杯分割仍存在分割精度上的困难,提出了一种深度学习体系结构MSHRNET,用于视杯和视盘的联合分割。它是一种基于HRNET的改进架构。通过在HRNET中添加多尺度输入,可以弥补特征提取过程中的信息丢失。结合多尺度空间和通道注意机制,提取图像深层信息。通过添加侧输出层,指导网络的早期训练。实验表明:该算法在Drishti-GS1和REFUGE数据集上的分割效果优于现有的视杯和视盘分割方法。

基于ReSE-AG-Net的青光眼视盘视杯分割方法

分割视盘视杯是诊断青光眼的主要依据,因此提出了一种基于改进U-Net网络的青光眼视盘视杯分割方法,称为ReSE-AG-Net。并将ReSE-AG-Net、U-Net、M-Net、CE-Net和CDED-Net分别在Drishti-GS1数据集和RIM-ONE-R3数据集上进行测试,对得到分割后的视盘视杯的Dice系数和IoU进行对比。实验结果表明,在Drishti-GS1数据集上,分割视盘的Dice系数和IoU分别是0.989 1和0.959 0,分割视杯的Dice系数和IoU分别是0.931 0和0.871 0,在RIMONE-R3数据集上,分割视盘的Dice系数和IoU分别是0.978 9和0.958 7,分割视杯的Dice系数和IoU分别是0.863 7和0.760 1,对比U-Net模型和现有的分割模型均有一定的提升,证明了该方法的可行性。

基于深度卷积神经网络的青光眼诊断方法研究

单一特征无法准确描述青光眼图像改变,使得计算机辅助的青光眼检测技术具有较高的误诊率和漏诊率,针对这一问题,对视盘区域在深度卷积神经网络结构中的上下文信息进行研究,以辅助眼科医生对青光眼进行诊断。对原始眼底图像进行预处理操作,减少背景噪声和视网膜血管对视盘区域分割的影响;基于深度卷积神经网络模型使用k-means算法对视杯进行分割,并结合视杯呈圆形或椭圆形特性,利用基于最小二乘法椭圆拟合算法将不规则的曲线拟合成规则的椭圆形,以提高视盘视杯分割和青光眼检测的性能,最终在Drishti-GS1数据库图像中完成了测试。实验结果表明,该方法对青光眼进一步诊断有较好的鲁棒性和准确性。