MAF-Net：用于眼底血管图像分割的多注意力引导融合网络
图像与视频处理
2023-06-29 v3 计算机视觉与模式识别
机器学习
摘要
在视网膜眼底图像中准确分割血管对于某些眼部疾病的早期筛查、诊断和评估至关重要，但由于光照变化显著、曲线结构不均匀以及对比度非一致等多种因素，该分割任务存在不小的不确定性。为此，提出一种多注意力引导融合网络（MAF-Net）以准确检测视网膜眼底图像中的血管。当前基于 UNet 的模型可能因显式建模长距离依赖而丢失部分信息，从而导致不理想的结果。为丰富场景信息补偿所丢失的上下文信息，采用一种结合通道注意力与由 Transformer 构建的空间注意力机制的注意力融合机制，从视网膜眼底图像中提取血管的多类特征。随后，在跳跃连接中应用一种独特的空间注意力机制，以滤除低级特征中的冗余信息与噪声，从而实现与高级特征的更好融合。此外，采用 DropOut 层随机丢弃部分神经元，可防止深度学习网络过拟合并提升其泛化性能。在公开数据集 DRIVE、STARE 和 CHASEDB1 上的实验结果分别取得 F1 分数 0.818、0.836 和 0.811，以及 Acc 值 0.968、0.973 和 0.973。视觉检查与定量评估均表明，相较一些最先进（state-of-the-art）方法，我们的方法产生了令人满意的结果。
引用
@article{arxiv.2305.03617,
title = {MAF-Net: Multiple attention-guided fusion network for fundus vascular image segmentation},
author = {Yuanyuan Peng and Pengpeng Luan and Zixu Zhang},
journal= {arXiv preprint arXiv:2305.03617},
year = {2023}
}
备注
19 pages,9 figures