利用新型双路径交互融合模块模型增强视网膜血管结构图像分割
图像与视频处理
2024-03-05 v1 计算机视觉与模式识别
摘要
在视网膜中识别和区分微小与大血管的精度对于视网膜疾病的诊断至关重要，尽管这面临重大挑战。当前基于自编码的分割方法存在局限性，因为它们受限于编码器并在编码阶段经历分辨率降低。在解码阶段无法恢复丢失的信息进一步阻碍了这些方法。因此，它们提取视网膜微血管结构的能力受到限制。为了解决这一问题，我们引入了Swin-Res-Net，这是一个旨在提高视网膜血管分割精度的专用模块。Swin-Res-Net利用采用位移窗口进行划分的Swin transformer，以降低网络复杂度并加速模型收敛。此外，该模型与Res2Net架构中的功能模块进行了交互融合。Res2Net利用多尺度技术扩大卷积核的感受野，从而能够从图像中提取更多语义信息。这种组合创建了一个新模块，增强了视网膜中微血管的定位与分离。为了提高处理血管信息的效率，我们在编码和解码步骤之间添加了一个模块以消除冗余信息。我们提出的架构产生了出色的结果，达到或超越了其他已发表的模型。AUC反映了显著的提升，在三个广泛使用的数据集CHASE-DB1、DRIVE和STARE的视网膜血管像素级分割中分别达到了0.9956、0.9931和0.9946。此外，Swin-Res-Net优于其他替代架构，在IOU和F1度量指标上均展现出优越的性能。
引用
@article{arxiv.2403.01362,
title = {Enhancing Retinal Vascular Structure Segmentation in Images With a Novel Design Two-Path Interactive Fusion Module Model},
author = {Rui Yang and Shunpu Zhang},
journal= {arXiv preprint arXiv:2403.01362},
year = {2024}
}