(M)SLAe-Net：嵌入多尺度多级注意力网络用于视网膜血管分割
图像与视频处理
2021-09-07 v1 计算机视觉与模式识别
机器学习
摘要
分割在诊断中起着关键作用。从眼底图像研究视网膜血管有助于识别糖尿病视网膜病变等许多重大疾病的早期迹象。由于视网膜血管的形状、大小和模式各异，且眼底图像中存在伪影与噪声，没有任何单阶段方法能准确分割视网膜血管。在本工作中，我们提出一种多尺度、多级注意力嵌入 CNN 架构（(M)SLAe-Net）以解决鲁棒且精确分割视网膜血管的多阶段处理问题。我们通过在网络的多尺度和多个层级提取特征来实现，使我们的模型整体提取局部与全局特征。多尺度特征使用我们新颖的动态空洞金字塔池化（D-DPP）模块提取。我们还聚合了来自所有网络层级的特征。这些有效解决了形状多变与伪影问题，从而免去了多阶段的需要。为辅助更好的像素级分类，我们使用 Squeeze and Attention（SA）模块——一种为分割任务智能改编自 Squeeze and Excitation（SE）模块的版本——以促进像素组注意力。我们独特的网络设计与新颖的 D-DPP 模块，配合针对细小血管的高效任务特定损失函数，使我们的模型具备更好的跨数据性能。在 DRIVE、STARE、HRF 和 CHASE-DB1 上的详尽实验结果表明了我们所提方法的优越性。
引用
@article{arxiv.2109.02084,
title = {(M)SLAe-Net: Multi-Scale Multi-Level Attention embedded Network for Retinal Vessel Segmentation},
author = {Shreshth Saini and Geetika Agrawal},
journal= {arXiv preprint arXiv:2109.02084},
year = {2021}
}
备注
5 pages, 4 figures, Accepted and Presented in 9TH IEEE INTERNATIONAL CONFERENCE ON HEALTHCARE INFORMATICS (IEEE-ICHI 2021), Victoria, British Columbia, Canada