KLDD：基于卡尔曼滤波的线性可变形扩散模型用于视网膜图像分割

基于AI的血管分割正在变得越来越常见，以增强视网膜疾病的筛查和治疗。基于U-Net的深度学习结构在血管分割方面取得了相当好的性能。然而，小血管和毛细血管在经过传统U-Net下采样模块后容易被丢失。为解决这一差距，本文提出了一种用于视网膜血管分割的基于卡尔曼滤波的线性可变形扩散（KLDD）模型。我们的模型采用迭代细化分割的扩散过程，利用可变形卷积在特征提取模块中灵活的感受野以适应详细的管状血管结构。具体而言，我们首先采用带有线性可变形卷积的特征提取器从输入图像中捕获血管结构信息。为了更好地优化可变形卷积的坐标位置，我们采用卡尔曼滤波来增强线性可变形卷积对血管结构的感知。随后，所提取的血管结构特征用作交叉注意力聚合模块（CAAM）和通道软注意力模块（CSAM）中的条件元素。这些聚合设计旨在增强扩散模型生成血管结构的能力。实验在视网膜底图数据集（DRIVE、CHASE_DB1）以及OCTA-500数据集的3mm和6mm上进行评估，结果表明本文提出的扩散模型在其他方法方面表现更优。