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, 1-10.

DOI：10.13229/j.cnki.jdxbgxb.2022-0550

• 深度学习
• 动静脉血管分类
• 注意力机制
• U-Net

针对视网膜动静脉血管（Artery/Vein，A/V）自动分类方法目前存在的局限性，如血管末端误分类程度较高等问题，本文提出了基于注意力U-Net（Attention 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（Attention Block），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精准分类。本文方法在DRIVE数据集中进行了测试，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
  长春师范大学; 中国科学院