论文部分内容阅读
随着计算机技术的发展，以深度学习为代表的方法为医疗图像的研究与发展开拓了新的方向。由于视网膜血管与糖尿病、高血压、心脑血管等疾病的重要联系，研究人员对自动分割视网膜血管这一医学任务也给予重要关注。在目前大多数基于深度学习的视网膜血管分割方法中，以编码-解码结构的分割模型融合了视网膜图像的全局和局部信息，在分割性能上取得了突破性的发展。但由于视网膜血管复杂的形态变化、病变区域的影响、毛细血管的分支多而细等因素的影响，以往的分割算法对于视网膜血管尤其是毛细血管的分割存在过分割和欠分割问题，同时简单地改进基础分割模型缺乏医学可解释性。为此，本文在现有研究方法的基础上，对基于深度学习的视网膜血管分割算法进行了重点研究，主要包括以下三个方面:
首先，为了解决深度神经网络通过连续卷积、池化操作降低图像分辨率造成视网膜血管边缘细节信息丢失，微小血管分割不连续的问题，本文设计了全分辨率密集连接网络分割视网膜血管。连续的密集连接块结构增强网络对血管的特征表示能力，使得网络充分提取血管丰富的上下文语义信息和关键的细节特征信息，提高网络对纹理结构相似血管的敏感度。利用混合扩张域的扩张卷积层增加网络特征图的感受野，获取血管在不同尺度范围的上下文信息，增强了网络中血管特征的多样性。在DRIVE数据集和STARE数据集分别进行实验，结果表明提出的网络能够有效提高基础分割网络的性能。
其次，随着网络深度的增加编码器中的背景噪声通过跳跃连接传递到解码器中，病变区域的背景像素易被误分割为血管像素。考虑到病灶区域影响下的视网膜血管分割难的问题，本文提出一种新的多尺度通道注意力网络。在编码部分网络深层利用多尺度模块捕获视网膜血管的多尺度特征，提高网络的特征提取能力。在跳跃连接部分融合通道注意力模块抑制冗余特征，减弱噪声信息导致血管分割不连通的影响，增强网络对病变区域血管的建模能力。重新设计的解码块保留更多语义信息的同时也利于网络更好地优化训练。设计实验在两个公开数据集中得到良好的分割结果，并有效提高了血管病灶区域的毛细血管的分割效果。
最后，基于视网膜血管复杂的形态学变化，不同区域血管分支的尺度、结构变化的特征对视网膜血管分割有着关键意义，本文提出了自适应形态变化的高效视网膜血管分割网络。该网络设计了自适应形态变化正则化卷积模块，利用可变形卷积自适应获取图像中血管丰富的几何形变特征，增强网络对血管形态学变化的建模能力，提高模型的泛化性能。此外，通过正则化卷积层的设计实现模型对血管特征更强的特征表示，加快网络的训练效率减轻过拟合问题。经实验证明，本文提出的网络减弱了复杂性形态学对视网膜血管分割性能的影响，有效提升了血管分支结构的分割效果。
首先，为了解决深度神经网络通过连续卷积、池化操作降低图像分辨率造成视网膜血管边缘细节信息丢失，微小血管分割不连续的问题，本文设计了全分辨率密集连接网络分割视网膜血管。连续的密集连接块结构增强网络对血管的特征表示能力，使得网络充分提取血管丰富的上下文语义信息和关键的细节特征信息，提高网络对纹理结构相似血管的敏感度。利用混合扩张域的扩张卷积层增加网络特征图的感受野，获取血管在不同尺度范围的上下文信息，增强了网络中血管特征的多样性。在DRIVE数据集和STARE数据集分别进行实验，结果表明提出的网络能够有效提高基础分割网络的性能。
其次，随着网络深度的增加编码器中的背景噪声通过跳跃连接传递到解码器中，病变区域的背景像素易被误分割为血管像素。考虑到病灶区域影响下的视网膜血管分割难的问题，本文提出一种新的多尺度通道注意力网络。在编码部分网络深层利用多尺度模块捕获视网膜血管的多尺度特征，提高网络的特征提取能力。在跳跃连接部分融合通道注意力模块抑制冗余特征，减弱噪声信息导致血管分割不连通的影响，增强网络对病变区域血管的建模能力。重新设计的解码块保留更多语义信息的同时也利于网络更好地优化训练。设计实验在两个公开数据集中得到良好的分割结果，并有效提高了血管病灶区域的毛细血管的分割效果。
最后，基于视网膜血管复杂的形态学变化，不同区域血管分支的尺度、结构变化的特征对视网膜血管分割有着关键意义，本文提出了自适应形态变化的高效视网膜血管分割网络。该网络设计了自适应形态变化正则化卷积模块，利用可变形卷积自适应获取图像中血管丰富的几何形变特征，增强网络对血管形态学变化的建模能力，提高模型的泛化性能。此外，通过正则化卷积层的设计实现模型对血管特征更强的特征表示，加快网络的训练效率减轻过拟合问题。经实验证明，本文提出的网络减弱了复杂性形态学对视网膜血管分割性能的影响，有效提升了血管分支结构的分割效果。