基于改进U-Net的多流视网膜血管分割算法

针对传统U型网络特征冗余以及视网膜血管形态复杂、细血管分割困难等问题,提出一种基于改进U-Net的多流视网膜血管分割算法.算法包含两种特征流向,分别是全局分割流与边缘特化流.为了减少特征冗余,全局分割流在部分卷积的基础上采用快速提取模块替代传统的U-Net卷积块,构建了能够高效提取血管特征、加快算法推理速度的改进U-Net模型;为了减少噪声干扰、提升细血管的分割精度,边缘特化流利用形态学生成的边缘标注信息为指导,采用多个边缘提取模块,结合全局分割流的高级语义特征以及边缘注意力,更具针对性的提取血管细节信息,增强细血管的特征表达.在DRIVE与STARE数据集上进行了算法的有效性测试,敏感度分别为0.8415和0.8369,准确率分别为0.9701和0.9718,AUC值分别为0.9877和0.9909,整体性能优于现有算法.