[5] 基于改进的U_Net眼底视网膜血管分割_梁礼明1

【基于改进的U_Net眼底视网膜血管分割】是一项针对医学图像处理领域的研究，主要目的是提升眼底视网膜血管的分割效果。在本文中，研究团队针对视网膜血管图像特征信息的复杂性，以及现有算法在微血管分割和病理信息误分割上的不足，提出了一种融合DenseNet和U-Net网络的新型血管分割模型。 U-Net是一种经典的卷积神经网络（CNN）架构，特别适合图像分割任务，因其快速、高效和能够处理小规模数据而被广泛应用。它由收缩路径和扩张路径两部分组成，收缩路径负责捕捉图像的上下文信息，而扩张路径则确保精确的定位。然而，原始的U-Net在处理复杂特征时可能表现不足，特别是在微血管的分割上。 DenseNet是另一种深度学习网络结构，它的特点是每个层都直接连接到所有后续层，这增强了特征的传播和重用，减少了梯度消失的问题。将DenseNet与U-Net结合，可以充分利用DenseNet的强大特征提取能力来改善U-Net在微血管分割中的性能。 研究团队在预处理阶段采用了限制对比度直方图均衡化和滤波技术来增强血管图像。这种处理方法可以突出血管细节，同时减少噪声。接着，他们利用局部自适应伽马校正提升图像的亮度信息，减少伪影干扰。随后，通过多尺度形态学滤波进一步增强微血管特征，这有助于在复杂的背景下区分微小血管。 他们引入了U型密集链接模块进行分割。这种模块整合了DenseNet和U-Net的优点，能够更精确地分割出血管结构。实验结果在DRIVE（Digital Retinal Images for Vessel Extraction）数据集上得到验证，平均准确率、灵敏度和特异性分别达到96.74%、81.50%和98.20%，显示了该方法的有效性。 视网膜血管的精确分割对于医学诊断，尤其是糖尿病视网膜病变等眼科疾病的早期检测至关重要。通过这种改进的U-Net模型，研究人员提高了分割的准确性，有助于医生更准确地识别和评估视网膜病变，从而提高患者的治疗效果和生活质量。 这项工作展示了深度学习在医疗图像分析中的潜力，尤其是在解决复杂图像分割问题上的创新应用。未来的研究可能会进一步优化这种模型，以适应更多的医学图像分析任务，并提高在其他领域的应用效率。