基于改进R2U-Net型网络的视网膜血管图像分割

摘要

眼底视网膜血管的分割能够更有效地帮助医生诊断病情,但人工诊断费时耗力,传统的眼底图像血管分割技术的准确率和精度又不能达到理想状态,因此提出了基于R2U-Net的多尺度特征融合注意力网络——R2MAFF-Net。为了解决U-Net深度不够、上下层之间特征连接不密切及信息获取不完全等问题,将循环残差空洞卷积结构作为模型的编码部分,并将卷积层中的dropout替换成Dropblock,增强网络的抗拟合性能。在连接层中融入多尺度注意力机制,提高了血管和背景的对比度,改善了分割效果。在最底层使用多尺度残差特征金字塔模块,不同内容和不同尺度的特征融合使整个模型能够及时察觉各尺度变化。采用混合损失函数来提高模型的分割性能。该算法在公开数据库DRIVE和STARE的准确率达98.13%,98.20%,较原始的U-Net算法有一定的提升。