基于MLDCSAU-Net的视网膜图像血管分割算法

视网膜图像中血管的准确分割有助于对眼部病变的观察。为了提高视网膜图像血管分割精度和特征信息复用率以及精简模型,从网络框架入手,提出一种结合DCSAU-Net、多尺度信息融合模块以及Ghost模块的视网膜图像血管分割模型——MLDCSAU-Net模型。模型改进主要包括两个方面:首先在跳跃连接之后引入多尺度信息融合模块;其次编码器端使用Ghost模块替换编码器端的CSA模块。实验结果表明:多尺度信息融合模块对于模型的分割准确率有较大提升;Ghost模块有效减少了模型参数量。在STARE、CHASEDB1和HRF三个公开数据集中MLDCSAU-Net模型的准确率、查准率、查全率和F1分数均高于原模型,同时参数量更少。

跨级可变形Transformer编解码视网膜图像分割算法

眼底视网膜血管图像分割对青光眼、糖尿病等疾病的预防和诊断具有重要意义。针对视网膜血管图像边缘分割模糊、微细血管漏缺和模型感受野不足等问题,提出了一种跨级可变形Transformer编解码(Cross-stage Deformable Transformer Encoding and Decoding Net,CTED-Net)视网膜图像分割算法。在特征提取网络中融入通道像素增强模块和跨级融合骨干,实现对视网膜血管全局特征的粗提取;在网络编码部分加入可变形自适应编码Transformer模块(Deformable Adaptive Coding Transformer Module,DACT),通过可变形编码的方式增大模型感受野;在编解码结构底层加入深层语义门控注意模块,实现对视网膜血管深层特征的充分学习,以改善血管图像边缘分割模糊的问题。在模型训练阶段采用加权交叉焦点损失函数,克服视网膜血管图像样本不平衡的问题。在公共数据集DRIVE和STARE上进行仿真实验,所提算法灵敏度、特异性、准确率和AUC指标在DRIVE上达到84.25%、98.17%、96.46%和98.70%,在STARE上达到80.22%、98.64%、96.71%和98.78%。通过与其他先进算法对比分析可以看出,所提算法分割效果可靠且整体性能先进。