基于深度学习的视网膜图像分割技术研究.pdf

得困难的问题。为了一定程度上能解决上述问题，开展了一系列应对工作，具体如

下：

(1)提出了基于深度学习强化特征细节的视网膜血管分割算法。该算法在UNet

基础上引入变形体Laddernet，将其共享权重残差模块升级，替换成并行空间和通道

挤压激励残差模块scSE-Residual仍共享权重，使特征增强得以提取；在网络底部引

入多模块C-DAC，多模块由卷积注意力机制模块(ConvolutionalBlockAttention

Module，CBAM)和密集空洞卷积模块(DenseAtrousConvolution，DAC)串联构成，

专注扩大视野捕捉到更多微不足道的血管特征；采用混合损失函数加速网络收敛，

提升网络分割精确度。在公开数据集DRIVE和STARE验证LSCD-UNet算法，实验

结果表明，LSCD-UNet算法分别在准确性、敏感性、AUC以及F1值都得到较好地

提升，相对于UNet和Laddernet以及其他视网膜血管分割算法在性能上表现更优异。

(2)提出了基于深度学习强化特征提取和融合的视杯视盘联合分割算法。该算法

在UNet编码器上引入多尺度信息DDC模块(DilatedConvandDepthwiseSeparable

Conv，DDC)和IERA注意力机制(InvertedExternalResidualAttention，IERA)，分别

作用是捕捉不同尺度信息同时兼顾全局和局部特征信息、提取高维信息且能逐层专

注提取更有用的信息；在UNet解码器上引入RF融合模块(REPFusion，RF)，在拼

接之后注重强化特征融合，经过上采样和下采样以及跳跃连接实现了不同尺度间的

特征融合，采用多标签损失函数有效地解决像素不平衡问题。在公开数据集Drishti-

GS运用合成的标注图将DIR-UNet网络进行了多次训练和测试，实验表明DIR-UNet

网络在联合分割的准确性、视杯和视盘的Dice指数、视杯和视盘的JACC指数都得

到较好地提升，相对于UNet和其他先进算法具有更好地联合分割效果。

(3)设计了一个视网膜图像医疗辅助诊断系统。该系统是基于上述提出的视网膜

血管分割模型LSCD-UNet和视杯视盘联合分割模型DIR-UNet以及Web技术如

Django框架、HTML和CSS等，实现辅助医生诊断的功能，加速诊断效率和质量，

起到很好的辅助效果。

关键词：深度学习；视网膜血管分割；视杯视盘联合分割；特征细节；特征提取；

特征融合

assistindiagnosingglaucoma,

disc

segmentation.Giventhechallengesposedbyunevenillumination,

interferencefrompathologicalregions,andnoiseaffectingretinalvessel

opticcup-

segmentation,precisionincapturingfeaturedetailsisrequired.

Simultaneously,thejointsegmentationoftheopticcupanddiscfaces

difficultiesinbalancingglobalandlocalfeatures,handlingpixel

imbalances,andcontendingwiththeinfluenceofblurredboundariesin

retinalimages,makingaccuratejointsegmentationchallenging.Toaddress

thesechallengestoacer