EAR-NET：用于视网膜血管分割的错误注意力精修网络
图像与视频处理
2021-09-23 v2 计算机视觉与模式识别
摘要
视网膜图像中血管的精确检测对于视网膜血管疾病（如糖尿病性、高血压性和日光性视网膜病变）的早期诊断至关重要。现有方法往往难以预测异常区域（如突然变亮和变暗的区域），并且由于显著的类别不平衡倾向于将像素预测为背景，导致准确率和特异性高而灵敏度低。为此，我们提出了一种新颖的错误注意力精修网络（ERA-Net），能够以两阶段方式学习并预测潜在的错误预测，从而实现有效的视网膜血管分割。所提出的 ERA-Net 在精修阶段驱动模型聚焦于并精修初始训练阶段产生的分割错误。为此，与大多数以无监督方式运行的先前注意力方法不同，我们引入了一种新颖的错误注意力机制，该机制将真实标签与初始分割掩码之间的差异作为真实标签来监督注意力图的学习。实验结果表明，我们的方法在两个常见的视网膜血管数据集上取得了最先进的性能。
引用
@article{arxiv.2107.01351,
title = {EAR-NET: Error Attention Refining Network For Retinal Vessel Segmentation},
author = {Jun Wang and Yang Zhao and Linglong Qian and Xiaohan Yu and Yongsheng Gao},
journal= {arXiv preprint arXiv:2107.01351},
year = {2021}
}
备注
Accepted to DICTA2021