基于注意力U-Net的视网膜血管分类识别

作者：燕杨; 尤紫如; 姚远; 黄文博^*

来源：吉林大学学报（工学版）, 2022, 52(12): 2933-2940.

DOI：10.13229/j.cnki.jdxbgxb20220550

• 深度学习
• 动静脉血管分类
• 注意力模块
• U-Net

针对视网膜动静脉血管（A/V）自动分类方法的局限性，提出了基于注意力U-Net(AU-Net)的视网膜A/V自动分类方法。利用血管结构信息、拓扑关系及边缘信息增强视网膜A/V特征信息，在U-Net改进网络VC-Net模型中引入注意力模块，将局部与全局信息相结合，调整权重约束视网膜A/V特征，如抑制背景倾向特征并增强血管边缘及末端特征，实现视网膜A/V的精准分类。在DRIVE数据集中对本文方法性能进行了测试，结果表明，本文方法视网膜A/V分类精度为0.9685,F1值为0.9886，敏感度为0.9803，特异性为0.9957。由实验结果可见，与经典U-Net相比，本文方法各项性能指标均有显著提升，可供临床借鉴。

• 单位
  中国科学院; 长春师范大学