基于改进的U-Net视网膜图像的神经纤维层分割算法

视网膜图像中的神经纤维层(Retinal Nerve Fiber Layer,RNFL)作为视网膜病变的最主要最早期的特征性部位,RNFL的分割对于糖尿病视网膜病变的评估具有重要的意义.由于视网膜图像中视网膜纤维层部分的对比度相对于背景较低,边缘不明显,分割的图像中存在断裂和难以识别的情况.提出了一种基于U-Net的RNFL分割方法,将Res path、子像素卷积层(Sub-pixel Convolution)和残差模块与原始的U-Net结合,能够更好地保留边缘信息,更加准确地分割RNFL,减少分割中断裂的情况.将提出的算法与原始的U-Net和MultiResUNet进行了比较,选取Jaccard、F1、Precision和Recall四个指标作为评价指标,结果表明本文提出的算法具有更好的分割结果,优于其他两种分割算法.

基于全残差注意力网络的视网膜细胞核分割方法

通过对糖尿病视网膜扫描显微镜病理切片的分析,可以发现细胞之间微小的差距难以用肉眼来辨别.纤维层的薄厚变化以及层内细胞核的数量和形态变化更难以用肉眼评估.需要从专业人员的主观分析发展到定量分析,才能够客观评价视网膜疾病早期组织结构的细微变化.细胞核的自动分割是计算机辅助病理图像分析的关键步骤,然而由于数据复杂性和可变性,细胞核的分割存在一定困难.近年来,深度学习在病理图像的分析应用中受到了越来越多的关注.提出了一种基于深度学习的全残差注意力网络对糖尿病视网膜病理图像进行细胞核分割.在全残差卷积网络上结合注意力模块,能捕获全局上下文,强调关键语义特征,增强特征表示,更好的分割细胞核.最后结合糖尿病视网膜病变的细胞核数据,对基于全残差注意力网络的视网膜细胞核分割方法进行了验证,实验结果表明该算法整体性能较好,能有效地从背景中分割出细胞核.为评估糖尿病视网膜病变时的各项病理变化提供条件,进行客观定量的评价.