基于注意力机制的U-Net眼底图像分割算法

视网膜眼底血管的半径、宽度等是评估眼部疾病的重要指标,因此精确分割眼底图像具有十分重要的意义。为了有效辅助医生诊断眼部疾病,本文提出一种新的神经网络分割眼底血管图像,基本思想是通过改进传统的U-Net模型,借助一种注意力融合机制,使用Transformer构建通道注意力机制和空间注意力机制,将2个注意力机制获取的信息进行融合,减少信息的丢失。此外,视网膜眼底图像的数量比较少,神经网络的系数比较大,训练时容易发生过拟合,所以引入DropBlock层解决此难题。在公开数据集DRIVE上面进行验证,与多种最新的方法进行对比,本文提出的方法获得最高的ACC值0.967和最高的F1值0.787。实验结果表明,本文提出的方法能够有效地分割眼底图像。