基于改进U-Net的视网膜血管动静脉分割和分类算法

摘要

针对视网膜图像动静脉血管分割和分类存在的血管分割不足、连通性差、分类准确率低等问题,提出了一种基于改进U-Net模型的视网膜动静脉血管分割和分类的方法。首先,在U-Net模型的每次卷积操作之后加入批量归一化处理,减少网络中的梯度消失现象;其次,针对网络深度增加,模型性能下降的问题,在全连接层加入额外的跳跃连接,提高模型训练性能;最后,将这种改进后的模型进行4次串联训练,并通过多次的编码和解码对特征进行提取和融合,组成了处理视网膜动静脉血管分割和分类任务的FUnet模型。在DRIVE和HRF数据集上进行了模型有效性的验证,实验结果表明:与传统U-Net相比,本文方法在DRIVE数据集上AUC、精确度和特异度分别提升了4.11%、 7.61%和0.06%,在HRF数据集上AUC、精确度和特异度分别提升了17.24%、 0.6%和0.18%。该方法对视网膜动静脉自动准确的分割和分类具有较好的效果。