视网膜血管的自动分割在糖尿病和高血压等疾病的诊断中起着重要作用。针对现有算法在细小血管和病变区域血管分割能力不足的问题,提出了一种基于改进整体嵌套边缘检测(HED)网络的视网膜血管分割算法。首先,采用了一种残差可变形卷积块代替普通卷积块,增强模型捕获血管形状和尺寸的能力;其次,采用扩张卷积层取代原有的池化层,用以保留血管特征的空间位置信息;最后,使用具有底部短连接结构的HED网络框架对预训练的网络进行特征提取和融合,使得模型可以更好地将骨干网络所提取的视网膜图像中血管的高级结构信息与低级细节信息相融合。通过在DRIVE(Digital Retinal Images for Vessel Extraction)和STARE(Structured Analysis of the Retina)数据集上进行验证,所提网络的灵敏度分别达到了81.75%和80.68%,特异性分别达到了97.67%和98.38%,准确性分别达到了95.44%和96.56%,受试者工作特征曲线(ROC)的曲线下面积(AUC)分别达到了98.33%和98.12%,实现了优于其他先进方法的综合分割性能。

针对眼底视网膜血管细小、轮廓模糊导致血管分割精度低的问题,提出一种多尺度框架下采用小波变换融合血管轮廓特征和细节特征的视网膜血管分割方法。通过预处理增强血管与背景的对比度,在多尺度框架下提取血管轮廓特征和细节特征,并进行图像后处理;采用小波变换融合两幅特征图像,通过计算各尺度对应像素的最大值,得到血管检测图像,最后采用Otsu法进行分割。通过在DRIVE数据集上进行测试实验,得到平均准确率、灵敏度和特异度分别为0.9582,0.7086,0.9806。所提方法能够在准确分割血管轮廓的同时保留较多细小血管分支,准确率较高。

当前主流的眼底视网膜血管分割方法存在细微血管细粒度特征很难采集和细节容易丢失的问题。为解决这一问题,设计了一种改进U-Net模型算法,该算法将U-Net上下采样中的原始卷积层改为二次循环残差卷积层,提升了特征的使用效率;在解码部分引入多通道注意力模型,改善了低对比度下细小血管的分割效果。该算法在DRIVE (Digital Retinal Images for Vessel Extraction)和STARE (Structured Analysis of the Retina)两个数据库的准确率分别为96.89%和97.96%,敏感度分别为80.28%和82.27%,AUC(Area Under Curve)性能分别为98.41%和98.65%,较现有的先进算法有一定的提升。本文所提算法能有效提高眼底图像细微血管分割准确率。

提出了一种基于多尺度特征融合的全卷积神经网络的视网膜血管分割方法, 无需手工设计特征和后处理过程。利用跳跃连接构建编码器-解码器结构全卷积神经网络, 将高层语义信息和低层特征信息进行融合; 利用残差块进一步学习细节和纹理特征; 利用不同空洞率的空洞卷积构建多尺度空间金字塔池化结构, 进一步扩大感受野, 充分结合图像上下文信息; 采用类别平衡损失函数解决正负样本不均衡问题。实验结果表明, 在DRIVE(Digital Retinal Images for Vessel Extraction)和STARE (Structured Analysis of the Retina)数据集上的准确率分别为95.46%和96.84%, 敏感性分别为80.53%和82.99%, 特异性分别为97.67%和97.94%, 受试者工作特征(ROC)曲线下的面积分别为97.71%和98.17%。所提方法相较于其他方法性能更优。

分析视网膜血管结构的变化是诊断和检测糖尿病、高血压等血管类相关疾病的最重要步骤。为此,提出了一种基于Frangi滤波器和大津法(Otsu)的视网膜血管分割方法。基于Frangi滤波器视网膜血管分割方法先对视网膜血管进行预处理,再基于Frangi滤波器对其边缘进行检测,并根据形态学方法分割出视网膜血管。然后,利用Otsu阈值分割预处理和增强后的视网膜血管。将上述两种方法获得的分割图像进行融合,获得最终的分割结果。实验结果表明,所提算法在DRIVE和STARE数据集上的平均灵敏性分别为58.1%、78.7%,特异性分别为93.1%、96.4%,而准确性则分别为93.8%、95.8%,其算法的执行时间仅为1.8 s。与传统的无监督分割算法相比,所提算法简单高效,能够很好地抑制噪声。

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。