基于Dense Connected深度卷积神经网络的自动视网膜血管分割方法

摘要

深度卷积神经网络（DCNN）在自然图像分类和分割问题中具有优越的性能。眼底视网膜血管作为可无创直接观察到的血管，对其结构的分析是眼科病变诊断的重要依据之一。如毛细血管增生等变化为糖尿病等眼科疾病的诊断提供了重要的指导意义。因此，如何正确高效地分割视网膜血管成为一种临床需求。在不使用任何前后期处理的条件下，提出一种基于Densely Connect深度卷积神经网络的自动视网膜血管分割方法。方法通过使用稠密连接（Densely connect），批规范化（Batch Normalization）等技术构建一种新型的深度卷积神经网络，并结合带孔卷积（Dilated convolution）增加网络分割精度，在更少人为处理的情况下提高视网膜血管的分割性能。在对比实验中，提出网络的平均精确度，敏感度，特异性达到0．9617，0．7325，0．9839，像素级的AUC指标达到0．978，优于对比的机器学习方法和对比深度卷积神经网络。验证了所提方法在视网膜血管分割中的有效性。