针对视网膜图像中血管细小而导致其分割精度低等问题,通过在U-Net网络中引入Inception、空洞卷积与注意力机制等模块,提出一种改进U-Net视网膜血管图像的分割算法。首先,在编码阶段增加Inception模块,采用不同尺度的卷积核对图像进行特征提取,以获得其多尺度信息;然后,在U-Net网络的底部增加级联空洞卷积模块,以在不增加网络参数的情况下扩大卷积操作的感受野;最后,在解码阶段为反卷积操作设计了注意力机制,将注意力机制与跳跃连接方式相结合,聚焦目标特征,以解决权重分散等问题。基于标准图像集DRIVE的实验结果表明,所提算法的平均准确率、灵敏度与特异性较之U-Net算法分别提高1.15%,6.15%与0.67%,也优于其他传统分割算法。
2021-04-30 18:51:31
2.84MB
1
针对冠脉分割不准确以及血管曲率变化比较大导致的中心线提取不准确问题,提出了一种基于管状结构特征的冠脉中心线自动提取算法.首先对冠脉进行基于骨架线节点结构特征的冠脉血管中心线粗提取;然后利用冠脉的管状结构特征,提出三种血管结构判断准则,以检测血管断开情况;最后利用血管的局部结构特征,校正血管中心线,以得到完整、连续的血管中心线.对冠脉CTA体数据进行实验,实验结果表明该算法能够很好地解决冠脉分割不准确以及血管曲率变化比较大情况下造成的中心线提取不正确问题,具有很强的鲁棒性.
2021-03-20 15:44:24
1.45MB
1