用于视网膜血管分割的通道注意力残差U-Net
图像与视频处理
2020-10-22 v5 计算机视觉与模式识别
摘要
视网膜血管分割是许多早期眼疾诊断的关键步骤。在本工作中，我们提出一种新的深度学习模型，即通道注意力残差U-Net（CAR-UNet），以准确分割视网膜血管与非血管像素。该模型中，我们引入了一种新颖的改进高效通道注意力（MECA），通过考虑特征图间的相互依赖来增强网络的判别能力。一方面，我们将MECA应用于传统U形网络的“跳跃连接”中，而非简单地将收缩路径的特征图复制到对应的扩展路径。另一方面，我们提出了通道注意力双残差块（CADRB），将MECA集成到残差结构中作为核心结构来构建所提出的CAR-UNet。结果表明，我们提出的CAR-UNet在三个公开视网膜血管数据集DRIVE、CHASE DB1和STARE上达到了最先进的性能。
引用
@article{arxiv.2004.03702,
title = {Channel Attention Residual U-Net for Retinal Vessel Segmentation},
author = {Changlu Guo and Márton Szemenyei and Yangtao Hu and Wenle Wang and Wei Zhou and Yugen Yi},
journal= {arXiv preprint arXiv:2004.03702},
year = {2020}
}