基于改进Cycle-CBAM与CBAM-UNet的视网膜图像复原与血管分割

使用低质量眼底图像进行临床筛查具有挑战性，并显著导致误诊。本文通过视网膜图像复原来解决提升视网膜图像质量与血管分割的问题。更具体地，采用带有卷积块注意力模块(CBAM)的循环一致性生成对抗网络(CycleGAN)进行视网膜图像复原。使用改进的UNet（CBAM-UNet）对复原后的视网膜图像进行视网膜血管分割。所提模型包含两个生成器和两个判别器。生成器将图像从一域翻译到另一域，即从低质量到高质量及其逆过程。判别器对生成图像与原始图像进行分类。视网膜血管分割模型使用下采样、瓶颈和上采样层来生成分割图像。CBAM已被用于增强这些模型的特征提取。所提方法不需要配对的图像数据集，而这类数据集难以制作。相反，它使用由公开可用数据集获取的低质量和高质量眼底图像组成的非配对数据。使用全参考评价指标（例如峰值信噪比(PSNR)和结构相似性指数测度(SSIM)）评估所提方法的复原性能。将视网膜血管分割性能与真实眼底图像进行比较。所提方法能显著减少由离焦模糊、色彩失真、低照度、高照度及不均匀照度引起的退化效应。实验结果表明了所提方法在视网膜图像复原与血管分割上的有效性。