多特征融合神经网络的眼底血管分割算法

摘要

眼底毛细血管的自动监测对眼科疾病、糖尿病、心脏病等疾病的早期筛查具有重要意义.为了解决对毛细血管特征表达不精细带来的血管分割缺失问题,提出多模块融合的残差神经网络模型(MbResU-Net).该模型利用了编码-解码网络结构.为了减少网络编码器与解码器之间的语义差距而带来的信息丢失,用非线性网络结构代替快捷连接嵌入到网络中.为了获得更多血管的细节特征,MbResU-Net提出将三块U型网络以残差方式连接,在避免丢失的前提下,最大地提取视网膜结构特征.为了保证分割质量,对图像执行预处理操作,并设计融合了代价矩阵的交叉熵损失函数来训练网络参数.对MbResU-Net与现有的眼底血管分割算法在DRIVE和CHASE DB1彩色眼底图像数据集上进行对比实验.实验表明MbResU-Net在Sen、ACC和AUC上优于现有方法.Sen为0.7987和0.7972,ACC为0.9648和0.9726,AUC为0.9791和0.9824.实验证明该模型在复杂曲率和小血管分割中具有有效性和鲁棒性.