一种基于改进U形网络的眼底图像视网膜新生血管检测方法

糖尿病性视网膜病变(简称糖网病)是主要的致盲眼疾病之一,视网膜新生血管的出现是糖网病恶化的重要标志.为了更准确地检测出视网膜新生血管,本文提出了一种基于彩色眼底图的视网膜新生血管检测方法.首先通过一种改进的U形卷积神经网络对血管进行分割;然后利用滑动窗口提取特定区域内血管的形态特征,通过支持向量机将窗口内的血管分为普通血管和新生血管.使用来自MESSIDOR数据集和Kaggle数据集的含有视网膜新生血管的彩色眼底图对实验进行训练和测试,结果表明该方法对视网膜新生血管检测的准确率为95.96%;该方法在糖网病计算机辅助诊断方面有潜在的应用前景.

基于语义与形态特征融合的语义分割网络

视网膜血管检测有助于医生诊断视网膜疾病,而以往基于特征融合的算法难以解决视网膜血管检测中出现的漏分割问题,且分割准确率较低.本文对特征融合方式做出进一步探索,并提出一种基于语义与形态特征融合的算法,通过挖掘输入特征中蕴含的语义与形态信息,建模特征间的相关关系.随后,使用特征融合模块实现多模态特征自适应地融合.在公开数据集DRIVE以及STARE上的实验结果表明,文章算法优于现有的语义分割模型,尤其在敏感性上,比传统U-Net网络提升了8.20%.