王素玉， 董政倫， 劉涵宇

(1.北京市物聯(lián)網(wǎng)軟件與系統(tǒng)工程技術(shù)研究中心， 北京 100124；2.北京工業(yè)大學(xué)信息學(xué)部， 北京 100124；3.河北工業(yè)大學(xué)機(jī)械工程學(xué)院， 天津 300401)

中國(guó)現(xiàn)在已經(jīng)進(jìn)入高速發(fā)展的時(shí)代，中國(guó)人民的生活水平越來(lái)越高，隨著科技的發(fā)展，人民生活的節(jié)奏也變得越來(lái)越快，隨之而來(lái)的就是各類疾病的發(fā)病率也越來(lái)越高，尤其是糖尿病、心血管類疾病和眼底疾病. 隨著病人的增多和病情的多樣化，人民需要更高的醫(yī)療水平，如果僅僅依靠醫(yī)生來(lái)診斷疾病已經(jīng)不現(xiàn)實(shí)了，需要依據(jù)科技進(jìn)行精準(zhǔn)而高效率的診斷，而想要實(shí)現(xiàn)精準(zhǔn)、高效的診斷就必須有準(zhǔn)確的病情數(shù)據(jù). 因此，醫(yī)療領(lǐng)域迫切需要能輔助診斷的醫(yī)療圖像分割算法.

在醫(yī)療圖像分割中，新的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)[1]框架中最著名的是Ronneberger等[2]發(fā)布的U- NET. U- NET中2個(gè)主要的體系結(jié)構(gòu)創(chuàng)新是相同數(shù)量的上采樣和下采樣層的組合，使用跳躍連接將相對(duì)應(yīng)的卷積和反卷積相結(jié)合，這樣就可以把收縮和擴(kuò)展路徑的特征連接起來(lái). 從訓(xùn)練的角度來(lái)看，這意味著整個(gè)圖像可以由U- NET在一次正向傳遞中進(jìn)行處理，從而直接生成分割圖. 這使得U- NET能夠考慮到視網(wǎng)膜圖像的完整上下文，對(duì)于基于補(bǔ)丁的CNN來(lái)說(shuō)是一個(gè)優(yōu)勢(shì). U- NET網(wǎng)絡(luò)還有一個(gè)巨大的優(yōu)勢(shì)就是適用于訓(xùn)練一些樣本數(shù)量比較少的樣本，能很好地解決視網(wǎng)膜圖像數(shù)量少的問(wèn)題. 另外，梁禮明等[3]還提出了一種融合U- NET和DenseNet的網(wǎng)絡(luò)，并且取得很大的進(jìn)步；Drozdzal等[4]除了常規(guī)U- NET中的長(zhǎng)跳躍連接之外，還研究了使用類似ResNet的短跳過(guò)連接.

循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)[5]在醫(yī)療圖像分割任務(wù)上也有很好的表現(xiàn). 空間發(fā)條循環(huán)神經(jīng)網(wǎng)絡(luò)[6]對(duì)組織病理學(xué)圖像中的膜周進(jìn)行分割，該網(wǎng)絡(luò)考慮了來(lái)自當(dāng)前塊的行和列的先前信息. 為了合并來(lái)自左/上和右/下相鄰的雙向信息，RNN在不同方向上應(yīng)用了4次，將最終結(jié)果連接到全連接層，為單個(gè)塊生成最終輸出. Stollenga等[7]首次使用3D和長(zhǎng)短期記憶(long short-term memory,LSTM)RNN，在6個(gè)方向上具有卷積層. Andermatt等[8]使用一個(gè)帶有門(mén)控復(fù)發(fā)單位的3D RNN來(lái)分割腦磁共振成像(magnetic resonance imaging，MRI)數(shù)據(jù)集中的灰質(zhì)和白質(zhì). Yang等[9]在各向異性三維電子顯微鏡圖像中，將雙向LSTM RNN與2D U- NET類似框架相結(jié)合來(lái)分割結(jié)構(gòu). Poudel等[10]使用帶有門(mén)控復(fù)發(fā)單元的2D U- NET 框架來(lái)進(jìn)行3D分割.

用于語(yǔ)義分割的全卷積神經(jīng)網(wǎng)絡(luò)(fully convolutional networks,FCN)[11]也擴(kuò)展到了3D，同時(shí)應(yīng)用在多目標(biāo)方面. Korez等[12]利用3D FCN生成椎體似然圖，驅(qū)動(dòng)磁共振圖像中椎體分割的變形模型. Zhou等[13]在人體軀干上分割出19個(gè)目標(biāo). Moeskops等[14]通過(guò)訓(xùn)練一個(gè)簡(jiǎn)單的 FCN來(lái)分割MRI、胸MRI中的胸肌和心臟電子計(jì)算機(jī)斷層掃描(computed tomography，CT)血管造影術(shù)中的冠狀動(dòng)脈.

在過(guò)去的幾十年里，研究人員提出了大量的視網(wǎng)膜微血管自動(dòng)分割的方法，通常分為2類：一是傳統(tǒng)圖像處理方法，包括預(yù)處理、分割和后處理這3個(gè)步驟，如 Bankhead等[15]提出了利用小波變換方法增強(qiáng)對(duì)船舶前景和背景的檢測(cè). 另一種是基于機(jī)器學(xué)習(xí)的方法，主要利用提取的矢量特征訓(xùn)練分類器對(duì)視網(wǎng)膜中的像素進(jìn)行分類. 例如：Lupascu等[16]為每個(gè)像素設(shè)計(jì)了41- D特征向量，訓(xùn)練AdaBoost分類器對(duì)視網(wǎng)膜圖像中的每個(gè)像素進(jìn)行分類.

近年來(lái)，基于深度學(xué)習(xí)的方法被用于視網(wǎng)膜微血管的分割，并取得了良好的效果. Fu等[17]通過(guò)使用帶有條件隨機(jī)場(chǎng)層和側(cè)輸出層的CNN提高了對(duì)微血管的分割能力. Zhang等[18]在U- NET中引入了一種基于邊緣的機(jī)制來(lái)提高性能. Wu等[19]引入了多尺度網(wǎng)絡(luò)用于視網(wǎng)膜微血管分割. Guo等[20]在掃描激光眼底鏡視網(wǎng)膜圖像中，提出了密集殘差網(wǎng)絡(luò)DRNet來(lái)分割微血管. 在DRNet中，采用一種名為雙殘差塊(double residual block，DRB)的殘差結(jié)構(gòu)來(lái)深化網(wǎng)絡(luò)，獲得更復(fù)雜的語(yǔ)義信息，取得了顯著的改進(jìn).

1 提出算法

1.1 相關(guān)工作

視網(wǎng)膜微血管分割的目的是為了提取微血管信息，把微血管的真實(shí)情況客觀地呈現(xiàn)出來(lái)，實(shí)現(xiàn)對(duì)糖尿病性視網(wǎng)膜病變智能輔助篩查和診斷，從而減輕醫(yī)生工作量，提高工作效率和診斷準(zhǔn)確度.

當(dāng)前視網(wǎng)膜微血管分割算法主要基于U- NET架構(gòu)，它采用編碼器- 解碼器結(jié)構(gòu)，在編解碼器之間通過(guò)一系列的密集跳躍連接進(jìn)行信息的傳遞. 雖然U- NET已經(jīng)在許多醫(yī)療圖像分割問(wèn)題上取得了較好的性能，也相繼提出了許多改進(jìn)方案，如循環(huán)剩余卷積、帶有剩余塊或連接密集塊的U- NET等，但是這些網(wǎng)絡(luò)通常只含有一對(duì)具有跳躍連接的編碼器和解碼器結(jié)構(gòu)，信息流的路徑數(shù)量是有限的. 在視網(wǎng)膜微血管分割中，隨著網(wǎng)絡(luò)深度的加深，會(huì)丟失部分微血管信息，這會(huì)極大影響醫(yī)生的診斷.

為此本文以LadderNet為基礎(chǔ)提出一種基于注意力機(jī)制和稠密卷積的視網(wǎng)膜微血管分割算法，從多個(gè)角度對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了優(yōu)化設(shè)計(jì). LadderNet采用具有一系列U- NET，擁有多個(gè)編碼和解碼路徑的架構(gòu)，可以看成是由多個(gè)U網(wǎng)組成的，不像U- NET中只有一對(duì)編碼器支路和解碼器支路，而是有多對(duì)編碼器- 解碼器支路，每一層的每一對(duì)相鄰的解碼器和解碼器支路之間都有跳躍連接，極大地促進(jìn)信息傳遞，受 ResNet[21]和基于U- NET的遞歸殘差卷積神經(jīng)網(wǎng)絡(luò)R2U- NET[22]的啟發(fā)，本文使用了修改后的殘差塊，其中一個(gè)塊中的2個(gè)卷積層共享相同的權(quán)重. 由于跳躍連接和剩余塊的存在，有更多的信息流路徑可以看作是全卷積網(wǎng)絡(luò)的集合. 不僅提高了分割精度，而且減少了每個(gè)殘差塊內(nèi)的共享權(quán)值參數(shù).

本文加入注意力機(jī)制[23]，是為了提高視網(wǎng)膜圖像分割準(zhǔn)確度. 在視網(wǎng)膜圖像中，注意力機(jī)制可以把注意力集中到對(duì)特定任務(wù)有用的顯著特征，抑制輸入圖像中的不相關(guān)區(qū)域. 在級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)中[24]，需要明確的外部組織或器官定位模塊，而使用注意力機(jī)制就不需要了.

受稠密網(wǎng)絡(luò)DenseNet[25]啟發(fā)，本文融入稠密卷積，保障卷積過(guò)程中有用信息的傳遞，同時(shí)減少卷積過(guò)程中的冗余特征. 為了確保網(wǎng)絡(luò)中各層之間的信息流最大化，將所有層直接相互連接. 為了保持前饋特性，每一層從前面的所有層來(lái)獲得額外的輸入，并將自己的特征圖傳遞給后面的所有層. 至關(guān)重要的是，并不是在它們進(jìn)入一個(gè)層之前，通過(guò)求和將它們組合起來(lái)，而是通過(guò)連接特性來(lái)組合它們. 因此，包括所有前面卷積塊的特征圖和其本身的特征圖都被傳遞到后面的所有層，減緩了梯度消失，增強(qiáng)了特征傳播，促進(jìn)了特征重用，降低了網(wǎng)絡(luò)參數(shù)，減少了冗余特征.

1.2 網(wǎng)絡(luò)結(jié)構(gòu)

視網(wǎng)膜圖像的語(yǔ)義較為簡(jiǎn)單，結(jié)構(gòu)較為固定，都是眼睛視網(wǎng)膜的成像，而不是全身的，由于器官本身結(jié)構(gòu)固定和語(yǔ)義信息沒(méi)有特別豐富，所以高級(jí)語(yǔ)義信息和低級(jí)特征都顯得很重要，這樣U- NET的跳連接和U型結(jié)構(gòu)就很適合視網(wǎng)膜微血管分割. U- NET的下采樣過(guò)程，是從高分辨率(淺層特征)到低分辨率(深層特征)的過(guò)程. U- NET的特點(diǎn)就是通過(guò)上采樣過(guò)程中的級(jí)聯(lián)，使得淺層特征和深層特征結(jié)合起來(lái). 對(duì)于視網(wǎng)膜圖像來(lái)說(shuō)，U- NET能將深層特征用于定位，淺層特征用于精確分割.

視網(wǎng)膜圖像數(shù)據(jù)量相比較少，視網(wǎng)膜圖像的數(shù)據(jù)獲取難度較大，因此，選擇的模型不宜過(guò)大，參數(shù)過(guò)多，很容易導(dǎo)致過(guò)擬合. 本文也是選擇以U- NET為基礎(chǔ)，并在此基礎(chǔ)上進(jìn)行改進(jìn)的LadderNet. 針對(duì)U- NET中信息流的路徑數(shù)量有限的問(wèn)題，本文讓多組U- NET并聯(lián)，這樣就會(huì)有多對(duì)編碼器- 解碼器支路，從而產(chǎn)生多個(gè)信息流路徑，更有利于信息流動(dòng). 由于跳躍連接和殘差塊的存在，有更多的信息流路徑可以看作是FCN的集合. FCN集合的等價(jià)性提高了分割精度，而每個(gè)殘差塊中的共享權(quán)值減少了參數(shù)數(shù)量，也避免了過(guò)擬合. 本文以LadderNet作為基礎(chǔ)網(wǎng)絡(luò)的同時(shí)，通過(guò)引入注意力機(jī)制和稠密卷積，從多個(gè)角度提高網(wǎng)絡(luò)性能，其具體結(jié)構(gòu)如圖1所示.

首先，通過(guò)LadderNet架構(gòu)將多組U- NET并聯(lián),形成多對(duì)編碼器- 解碼器支路，并在各層的每對(duì)相鄰解碼器分支之間都設(shè)置跳躍連接. 然后，進(jìn)一步針對(duì)視網(wǎng)膜微血管分割的特殊性，在上采樣的過(guò)程中加入注意力機(jī)制，以突顯微血管信息，增強(qiáng)對(duì)微血管信息的關(guān)注和特征提取. 同時(shí)，對(duì)U- NET的底部卷積層進(jìn)行改進(jìn)，使用稠密卷積增強(qiáng)卷積過(guò)程中特征信息的傳遞，促進(jìn)了特征重用，降低了參數(shù)數(shù)量.

1.3 注意力機(jī)制

視網(wǎng)膜微血管分割的結(jié)果是輔助醫(yī)生臨床診斷的重要依據(jù)，因此，分割結(jié)果需要真實(shí)地反映視網(wǎng)膜情況. 為了突出顯示微血管具體情況，本文引入注意力機(jī)制，增強(qiáng)對(duì)微血管信息的關(guān)注，更多提取和保留微血管特征信息.

圖1 網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.1 Schematic diagram of network structure

圖2 注意力模塊Fig.2 Attention block

(1)

(2)

本文將注意力模塊用在了跳躍連接上，對(duì)下采樣層同層和上采樣層上一層的特征圖進(jìn)行處理后再和上采樣后的特征圖進(jìn)行融合. 注意力機(jī)制可以選擇聚焦位置，產(chǎn)生更具分辨性的特征表示，通過(guò)加入注意力模塊能夠產(chǎn)生注意力感知(attention-aware)的特征，并且不同模塊的特征隨著網(wǎng)絡(luò)的加深會(huì)產(chǎn)生適應(yīng)性改變，漸增的注意力模塊將帶來(lái)持續(xù)的性能提升，不同類型的注意力信息將被大量捕捉到.

1.4 稠密卷積

為了確保網(wǎng)絡(luò)中各層之間的信息流最大化，將所有層直接相互連接，進(jìn)一步提升分割性能，本文加入了稠密卷積. 同時(shí)為了保持前饋特性，每一層從前面的所有層來(lái)獲得額外的輸入，并將自己的特征圖傳遞給后面的所有層，增強(qiáng)了特征傳播，促進(jìn)了特征重用，降低了參數(shù)數(shù)量.

圖3 稠密卷積Fig.3 Dense convolution

在稠密卷積中由于每一層都包含之前所有層的輸出信息，因此，其只需要很少的特征圖就夠了，這也是使用稠密卷積可以大大減少參數(shù)量，但是與此同時(shí)會(huì)帶來(lái)較大內(nèi)存消耗的原因.

2 實(shí)驗(yàn)測(cè)試與分析

2.1 數(shù)據(jù)集介紹

本文采用DRIVE數(shù)據(jù)集對(duì)所提出算法的性能進(jìn)行了測(cè)試分析. DRIVE數(shù)據(jù)集的照片來(lái)自荷蘭的糖尿病性視網(wǎng)膜病變篩查計(jì)劃. 篩查人群由年齡在25～90歲的400位糖尿病患者組成. 隨機(jī)選擇了40張照片，其中33張未顯示任何糖尿病性視網(wǎng)膜病變的征兆，而7張顯示了輕度早期糖尿病性視網(wǎng)膜病變的征兆. 這7種情況下的異常的簡(jiǎn)要說(shuō)明如下.

25_train:色素上皮改變,可能是蝶形黃斑病并且眼球中央凹陷處有色素疤痕，或者是脈絡(luò)膜病變，無(wú)糖尿病性視網(wǎng)膜病變或其他血管異常.

26_train：糖尿病性視網(wǎng)膜病變，色素上皮萎縮，視盤(pán)周圍萎縮.

32_train：糖尿病性視網(wǎng)膜病變.

03_test： 糖尿病性視網(wǎng)膜病變.

08_test： 色素上皮改變，眼球中央凹陷處有色素性疤痕，或者是脈絡(luò)膜病變，無(wú)糖尿病性視網(wǎng)膜病變或其他血管異常.

14_test：糖尿病性視網(wǎng)膜病變.

17_test：糖尿病性視網(wǎng)膜病變.

使用具有45°視場(chǎng)(field of view，F(xiàn)OV)的佳能CR5非散光且具有3片電荷耦合器件(charge couple device,CCD)相機(jī)獲取圖像. 使用每個(gè)色彩平面的8位以768×584像素捕獲每個(gè)圖像. 每個(gè)圖像的FOV為圓形，直徑約為540像素. 對(duì)于此數(shù)據(jù)庫(kù)，圖像已在FOV周圍裁剪. 對(duì)于每個(gè)圖像，提供了一個(gè)遮罩圖像，用于描繪FOV. 這組40張圖像已分為訓(xùn)練集和測(cè)試集，均包含20張圖像. 對(duì)于訓(xùn)練圖像，可以對(duì)脈管系統(tǒng)進(jìn)行單個(gè)手動(dòng)分割. 對(duì)于測(cè)試用例，可以使用2種手動(dòng)分段：一種用作黃金標(biāo)準(zhǔn)，另一種可以用于將計(jì)算機(jī)生成的分割與觀察的結(jié)果進(jìn)行比較. 此外，對(duì)于每個(gè)視網(wǎng)膜圖像都可使用遮罩圖像，指示感興趣的區(qū)域. 經(jīng)驗(yàn)豐富的眼科醫(yī)生對(duì)所有手動(dòng)分割脈管系統(tǒng)的觀察者進(jìn)行了指導(dǎo)和培訓(xùn)，要求他們標(biāo)出所有血管并保證至少70%是正確的.

圖4 未患病圖像及其標(biāo)簽圖像示例Fig.4 Example of a disease-free image and its label image

圖5 患病圖像及其標(biāo)簽圖像示例Fig.5 Example of a diseased images and its label image

2.2 評(píng)價(jià)指標(biāo)

為了與R2U- Net等進(jìn)行比較，本文使用以下幾個(gè)相同指標(biāo)來(lái)評(píng)估性能，包括準(zhǔn)確性(預(yù)測(cè)正確的概率A)、敏感性(預(yù)測(cè)患病正確的概率Se)、特異性(預(yù)測(cè)非患病正確的概率Sp)和F1評(píng)分(查準(zhǔn)率P與召回率R的調(diào)和平均數(shù)). 首先計(jì)算真陽(yáng)性(TP)、真陰性(TN)、假陽(yáng)性(FP)和假陰性(FN)，具體解釋如表1所示.

表1 醫(yī)學(xué)標(biāo)準(zhǔn)指標(biāo)

計(jì)算不同的指標(biāo)

(3)

(4)

(5)

F1得分的計(jì)算方法為

(6)

(7)

(8)

為了進(jìn)一步評(píng)估不同神經(jīng)網(wǎng)絡(luò)的性能，還計(jì)算了受試者工作特征曲線下的面積SAUC.

2.3 注意力模塊對(duì)算法性能的影響

本節(jié)首先對(duì)注意力模塊對(duì)算法整體性能的影響進(jìn)行了測(cè)試分析，相關(guān)結(jié)果如表2所示.

為了更好地適應(yīng)LadderNet，本文選擇在U型部分首先加入1個(gè)注意力模塊，并在每一層都進(jìn)行加入1個(gè)注意力模塊的測(cè)試，從實(shí)驗(yàn)結(jié)果能夠得出在第2層加入注意力模塊是效果最好的. 之后便試著加入2個(gè)注意力模塊，意圖是進(jìn)一步加強(qiáng)對(duì)血管特征的關(guān)注，但從實(shí)驗(yàn)結(jié)果看，效果不如只加入1個(gè)注意力模塊好. 為了驗(yàn)證是否注意力模塊增多會(huì)導(dǎo)致產(chǎn)生冗余的信息影響實(shí)驗(yàn)效果，于是選擇進(jìn)行加入3個(gè)注意力模塊和4個(gè)注意力模塊的實(shí)驗(yàn)，從最終結(jié)果可以看出，注意力模塊的增多不但沒(méi)有使微血管特征得到更好的關(guān)注，反而產(chǎn)生了更多干擾特征. 從表2可以看出，注意力模塊的數(shù)量和加入位置對(duì)算法的整體性能有顯著影響. 在位置1～4層分別加入1個(gè)注意力模塊時(shí)，位于第2層時(shí)的效果是最優(yōu)的. 當(dāng)在不同位置加入2～4個(gè)注意力模塊時(shí)，在第2、3層分別加入2個(gè)注意力模塊的效果較好，但仍低于第2層加入1個(gè)模塊的效果. 因此，對(duì)于本文算法來(lái)說(shuō)，加入1個(gè)注意力模塊是最優(yōu)的選擇，加入的最佳位置是在第2層上采樣處.

表2 注意力模塊不同數(shù)量和不同位置測(cè)試結(jié)果

2.4 稠密卷積對(duì)算法性能的影響

本節(jié)測(cè)試了稠密卷積的效果，分析了不同數(shù)量的稠密卷積塊對(duì)算法整體性能的影響. 在LadderNet中的U型部分中，其下采樣之后有一個(gè)特征圖大小不變的卷積，在經(jīng)過(guò)該卷積操作之后再進(jìn)行上采樣部分，本文將這個(gè)部分換成稠密卷積，稠密卷積可以有效增強(qiáng)信息傳遞，增強(qiáng)了特征傳播，促進(jìn)了特征重用，降低了參數(shù)數(shù)量. 實(shí)驗(yàn)一開(kāi)始就先進(jìn)行了一層稠密卷積實(shí)驗(yàn)，即經(jīng)過(guò)2次相同的卷積，之后把前2次卷積的結(jié)果相加，之后再進(jìn)行一次相同的卷積操作，從實(shí)驗(yàn)結(jié)果看效果很好，仿照相同的模式疊加到2層稠密卷積，實(shí)驗(yàn)結(jié)果并沒(méi)有越來(lái)越好. 于是進(jìn)行了3層稠密卷積實(shí)驗(yàn)，從實(shí)驗(yàn)結(jié)果看，效果越來(lái)越差，相關(guān)實(shí)驗(yàn)結(jié)果如表3所示. 從表中可以看出，稠密卷積的加入可以不同程度提高算法的性能. 其中加入1層稠密卷積的效果是最優(yōu)的，而稠密卷積的層數(shù)過(guò)多會(huì)導(dǎo)致信息冗余，造成F1下降.

表3 不同層數(shù)稠密卷積實(shí)驗(yàn)結(jié)果

2.5 整體性能評(píng)估

在LadderNet的基礎(chǔ)上同時(shí)加入注意力機(jī)制和稠密卷積后，算法的整體性能得到了進(jìn)一步提升，最終實(shí)驗(yàn)結(jié)果與當(dāng)前主流算法的對(duì)比結(jié)果如表4所示.

從表中數(shù)據(jù)可以看出，本文算法通過(guò)引入注意力機(jī)制和稠密卷積，從增強(qiáng)對(duì)微血管特征信息的提取和加強(qiáng)特征信息傳遞兩方面提高了網(wǎng)絡(luò)性能，使網(wǎng)絡(luò)的整體性能得到了顯著提高. 算法的F1得分和Se、A、SAUC指標(biāo)都顯著優(yōu)于其他對(duì)比算法，只有Sp指標(biāo)略有降低. 然而考慮到SAUC和F1得分對(duì)網(wǎng)絡(luò)性能的評(píng)價(jià)相比Se、Sp指標(biāo)更加全面，因此，本文算法的整體性能是更優(yōu)的.

表4 不同方法在DRIVE數(shù)據(jù)集上評(píng)價(jià)結(jié)果

圖6進(jìn)一步給出了DRIVE數(shù)據(jù)集上的部分主觀結(jié)果. 從圖中可以看出，本文算法能夠?qū)σ暰W(wǎng)膜圖像中的血管進(jìn)行精確的分割，所得的預(yù)測(cè)結(jié)果與標(biāo)簽圖像基本一致，即使微小血管都能實(shí)現(xiàn)精確的分割.

圖6 DRIVE數(shù)據(jù)集上的測(cè)試結(jié)果示例Fig.6 Part of the test results on DRIVE

3 結(jié)論

1) 以LadderNet為基礎(chǔ)網(wǎng)絡(luò)，根據(jù)視網(wǎng)膜圖像中微血管的特點(diǎn)和LadderNet的不足進(jìn)行了改進(jìn)，進(jìn)一步提高了網(wǎng)絡(luò)性能和網(wǎng)絡(luò)適用性.

2) 為了更加突出微血管信息，加入注意力機(jī)制，使微血管的特征信息更加完整、準(zhǔn)確地保留下來(lái).

3) 使用稠密卷積在增強(qiáng)特征信息傳遞的同時(shí)減少參數(shù)數(shù)量，進(jìn)一步提升了圖像分割性能，增加了分割結(jié)果的準(zhǔn)確性.