基于ODoS滤波与深度学习网络的医学图像曲线状物体分割

医学图像中曲线状物体的自动分割在人类疾病的诊断与评估中起着重要作用，但由于诸如图像外观多样、曲线状物体与周围背景对比度低、细小且不均衡的曲线结构以及不适当的背景光照条件等不同问题，其在复杂分割任务中是一项颇具挑战的不确定性问题。为克服这些挑战，我们提出一种独特的曲线状结构分割框架，基于有向棒状导数（ODoS）滤波器与深度学习网络，用于医学图像中曲线状物体的分割。当前大量深度学习模型侧重于开发深层架构而忽略捕获曲线状物体的结构特征，可能导致不尽人意的结果。因此，提出一种将ODoS滤波器作为深度学习网络一部分的新方法，以提升曲线状物体的空间注意力。具体而言，输入图像被转换为由ODoS滤波器构建的四通道图像。其中，原始图像被视为描述多样图像外观与复杂背景光照条件的主要部分，采用多步策略增强曲线状物体与周围背景的对比度，并应用向量场以区分细小且不均衡的曲线结构。随后，采用深度学习框架提取多种结构特征以进行医学图像中曲线状物体分割。该计算模型的性能在公开可用的DRIVE、STARE和CHASEDB1数据集上的实验中得到验证。实验结果表明，与一些最先进（SOTA）方法相比，所提模型取得了令人惊讶的结果。