U-Net与自适应阈值脉冲耦合神经网络相结合的眼底血管分割方法

作者：徐光柱; 林文杰; 陈莎; 匡婉; 雷帮军; 周军

来源：计算机应用, 2021, 1-8.

• 全卷积神经网络
• 眼底血管分割
• 脉冲耦合神经网络
• U-Net
• 医学图像分割

眼底血管图像的自动分割在计算机辅助诊断视网膜疾病中起重要作用。由于眼底血管结构复杂多变，且图像中与背景对比度低，血管分割存在巨大困难，尤其是微小型血管难以分割。基于深层全卷积神经网络的U-Net能够有效提取血管图像全局及局部信息，在医学图像分割领域展现出了巨大潜能。但由于其输出为灰度图像，并采用硬阈值实现二值化，这会导致血管区域丢失，血管过细等问题。针对这些问题，结合U-Net与脉冲耦合神经网络（PCNN）各自优势，首先使用迭代式U-Net模型凸显血管，即将U-Net模型初次提取的特征与原图融合的结果再次输入改进的U-Net模型进行血管增强；然后，将U-Net输出结果视为灰度图像，利用自适应阈值PCNN对其进行精准血管分割。而且在U-Net模型中引入Batch Normalization和Dropout，加快训练速度，有效缓解过拟合问题。实验结果表明，所提方法的AUC（Area Under the Curve）在DRVIE、STARE和CHASE＿DB1数据集上比目前流行血管分割方法分别提升了0.73%、3.59%和0.61%。该算法可以提取更多的血管细节，且具有较强的泛化能力和良好的应用前景。

• 单位
  宜昌市中心人民医院; 三峡大学