一种基于改进Attention U-net的联合视杯视盘分割方法

摘要

青光眼是当前世界范围内致盲的主要病因之一,其发病过程没有明显的特征.视杯盘比是青光眼诊断中最主要的评估指标之一,这使得视杯视盘的分割成为了目前青光眼诊断的关键.已有的视杯视盘分割方法大多基于手工提取的特征,低效且精度不高.提出一种名为MAR2U-net的深度神经网络架构用于青光眼视杯视盘的联合分割.它是基于Attention U-net的一种改进架构,通过在Attention U-net的基础之上引入递归残差卷积模块来提取更加深层次的特征,并结合多尺度的输入和多标签的Focal Tversky损失函数来提升模型的联合分割性能.实验结果表明,该方法在REFUGE数据集上的分割效果较已有方法取得了显著提升,为实现大规模的青光眼诊断筛查提供了基础.