基于注意力机制的U-Net眼底图像分割算法

doi:10.3969/j.issn.1006-2475.2024.05.019

摘要/Abstract

摘要：
摘要：视网膜眼底血管的半径、宽度等是评估眼部疾病的重要指标，因此精确分割眼底图像具有十分重要的意义。为了有效辅助医生诊断眼部疾病，本文提出一种新的神经网络分割眼底血管图像，基本思想是通过改进传统的U-Net模型，借助一种注意力融合机制，使用Transformer构建通道注意力机制和空间注意力机制，将2个注意力机制获取的信息进行融合，减少信息的丢失。此外，视网膜眼底图像的数量比较少，神经网络的系数比较大，训练时容易发生过拟合，所以引入DropBlock层解决此难题。在公开数据集DRIVE上面进行验证，与多种最新的方法进行对比，本文提出的方法获得最高的ACC值0.967和最高的F1值0.787。实验结果表明，本文提出的方法能够有效地分割眼底图像。

关键词: 关键词：视网膜眼底图像分割, 注意力机制, DropOut层

Abstract: Abstract： The radius and width of retinal fundus vessels are important indicators for assessing eye diseases， so accurate segmentation of fundus images is becoming increasingly meaningful. In order to effectively assist doctors in diagnosing eye diseases， the paper proposes a new neural network to segment fundus vascular images. The basic idea is to reduce the information loss by improving the traditional U-Net model with the help of an attention fusion mechanism， using Transformer to construct a channel attention mechanism and a spatial attention mechanism， and fusing the information obtained by the two attention mechanisms. In addition， the number of retinal fundus images is relatively small， and the coefficients of the neural network are relatively large， which are prone to overfitting during training， so the DropBlock layer is introduced to solve this problem. The proposed method was validated on the publicly available dataset DRIVE and compared with several state-of-the-art methods. The results show that our method achieved the highest ACC value of 0.967 and the highest F1 value of 0.787. These experimental results demonstrate that the proposed method is effective in segmenting retinal fundus images.

Key words: Key words： retinal fundus image segmentation, attention mechanism, DropOut layer

中图分类号:

TP391.4

张子旭, 李嘉莹, 栾鹏鹏, 彭圆圆. 基于注意力机制的U-Net眼底图像分割算法[J]. 计算机与现代化, 2024, 0(05): 110-114.

ZHANG Zixu, LI Jiaying, LUAN Pengpeng, PENG Yuanyuan. An Attention Mechanism-based U-Net Fundus Image Segmentation Algorithm[J]. Computer and Modernization, 2024, 0(05): 110-114.

参考文献

［1］朱承璋，邹北骥，向遥，等. 彩色眼底图像视网膜血管分割方法研究进展［J］. 计算机辅助设计与图形学学报， 2015，27（11）：2046-2057.
［2］刘春，蹇文渊，段俊国. 人工智能应用于糖尿病视网膜病变的文献计量学分析［J］. 中国全科医学，2023，26（15）：1847-1856.
［3］罗忠亮，贾应彪. 基于高斯过程和Radon变换的视网膜血管管径测量［J］. 中国医学物理学杂志， 2022，39（11）：1377-1384.
［4］ KRIZHEVSKY A， SUTSKEVER I， HINTON G E. ImageNet classification with deep convolutional neural networks［C］// 2012 Advances in Neural Information Processing Systems. Curran Associater， 2012：1097-1105.
［5］ LONG J， SHELHAMER E， DARRELL T. Fully convolutional networks for semantic segmentation［C］// 2015 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）. IEEE， 2015：3431-3440.
［6］ RONNEBERGER O， FISCHER P， BROX T. U-Net： Convolutional networks for biomedical image segmentation［C］// Proceedings of the 18th International Conference on Medical Image Computing and Computer-Assisted Intervention（MICCAI）. Springer， 2015：234-241.
［7］ GU Z W， CHENG J， FU H Z， et al. CE-Net： Context encoder network for 2D medical image segmentation［J］. IEEE Transactions on Medical Imaging， 2019，38（10）：2281-2292.
［8］ WANG B， QIU S， HE H G. Dual Encoding U-Net for Retinal Vessel Segmentation［C］// Proceedings of 2019 International Conference on Medical Image Computing and Computer-Assisted Intervention（MICCAI）. Springer， 2019：
84-92.
［9］ WU Y C， XIA Y， SONG Y， et al. Vessel-Net： Retinal vessel segmentation under multi-path supervision［C］// Proceedings of 2019 International Conference on Medical Image Computing and Computer-Assisted Intervention（MICCAI）. Springer， 2019：264-272.
［10］ ZHANG S H， FU H Z， YAN Y G， et al. Attention guided network for retinal image segmentation［C］// Proceedings of 2019 International Conference on Medical Image Computing and Computer-Assisted Intervention（MICCAI）. Springer， 2019：797-805.
［11］ JIN Q G， MENG Z P， PHAM T D， et al. DU-Net： A deformable Network for retinal vessel segmentation［J］. Knowledge-Based Systems， 2019，178：149-162.
［12］ GUO C L， SZEMENYEI M， YI Y G， et al. SA-UNet： Spatial attention u-net for retinal vessel segmentation［C］// 2020 25th International Conference on Pattern Recognition（ICPR）. IEEE， 2021：1236-1242.
［13］ PETIT O， THOME N， RAMBOUR C， et al. U-Net transformer： Self and cross attention for medical image segmentation［C］// Proceedings of 12th International Workshop on Machine Learning in Medical Imaging（MLMI 2021） and Held in Conjunction with MICCAI 2021. Springer， 2021：267-276.
［14］ VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need［J］. arXiv preprint arXiv：1706.03762， 2017.
［15］ SRIVASTAVA N， HINTON G， KRIZHEVSKY A， et al. Dropout： A simple way to prevent neural networks from overfitting［J］. Journal of Machine Learning Research， 2014，15（1）：1929-1958.
［16］ SHELHAMER E， LONG J， DARRELL T. Fully convolutional networks for semantic segmentation［C］// 2015 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）. IEEE， 2015：3431-3440.
［17］孙颖，丁卫平，黄嘉爽，等. RCAR-UNet：基于粗糙注意力机制的视网膜血管分割网络［J］. 计算机研究与发展， 2023，60（4）：947-961.
［18］梁礼明，余洁，周珑颂，等. 多尺度密集注意力网络用于视网膜血管分割［J］. 激光与光电子学进展， 2023，60（6）：112-121.
［19］蒋芸，刘文欢，梁菁. 联合注意力和Transformer的视网膜血管分割网络［J］. 计算机工程与科学， 2022，44（11）：2037-2047.
［20］丁婉莹，陈伟，李昭慧. 基于编解码结构的多特征融合眼底图像分割［J］. 计算机与现代化，2022（7）：1-7.
［21］王忠源，谢正言，许一虎. 基于改进U-Net的眼底图像血管分割方法［J］. 电脑知识与技术， 2021，17（23）：1-3.
［22］穆珺，晏峻峰，彭清华. 基于小波变换和U-Net的眼底图像血管分割［J］. 湖南中医药大学学报， 2022，42（12）：2052-2058.
［23］ GUO C L， SZEMENYEI M， YI Y G， et al. Dense residual network for retinal vessel segmentation［C］// 2020 IEEE International Conference on Acoustics， Speech and Signal Processing（ICASSP 2020）. IEEE， 2020：1374-1378.
［24］孟娴静，李菁，吕晓琪，等. 基于改进SegNet的眼底图像血管分割［J］. 计算机工程与设计， 2020，41（11）：3148-3153.
［25］ GUO C L， SZEMENYEI M， PEI Y， et al. SD-Unet： A structured dropout U-Net for retinal vessel segmentation［C］// 2019 IEEE 19th International Conference on Bioinformatics and Bioengineering（BIBE）， IEEE， 2019：439-444.
［26］ CUI H F， CHANG Y W， JIANG L， et al. Multiscale attention guided U-Net architecture for cardiac segmentation in short-axis MRI images［J］. Computer Methods and Programs in Biomedicine， 2021，206：106142.

[1]	何思达, 陈平华. 基于意图的轻量级自注意力序列推荐模型[J]. 计算机与现代化, 2024, 0(12): 1-9.
[2]	赵晨阳, 薛涛, 刘俊华. 基于改进Stable Diffusion的时尚服饰图案生成[J]. 计算机与现代化, 2024, 0(12): 15-23.
[3]	黄庭培1, 马禄彪1, 李世宝2, 刘建航1. 基于WiFi和原型网络的手势识别方法[J]. 计算机与现代化, 2024, 0(12): 34-39.
[4]	张晓东1, 白广芝1, 李敏1, 李昊洋2. 基于经验小波变换的油气井产量预测模型 [J]. 计算机与现代化, 2024, 0(12): 53-58.
[5]	刘云海1, 冯广1, 吴晓婷2, 杨群2. 复杂施工场景下的安全帽佩戴检测算法[J]. 计算机与现代化, 2024, 0(12): 66-71.
[6]	谷岳, 邓松峰, 沈霁, 穆文涛, 赵恩棋. 基于改进YOLOv8的SAR舰船目标检测算法[J]. 计算机与现代化, 2024, 0(12): 78-83.
[7]	王艳媛, 茅正冲. 中英文场景文本图像的检测和识别算法[J]. 计算机与现代化, 2024, 0(12): 84-90.
[8]	李钧超1, 尤菲1, 张超2, 苏乐乐2, 龚龑2. 基于新型多目标浣熊优化算法的BiLSTM-Attention#br# 预测模型及误差分析[J]. 计算机与现代化, 2024, 0(11): 70-76.
[9]	张宇1, 2, 黎靖1, 2, 马铭1, 2, 王众祥1, 2, 孙妍1, 2. YOLOLW:一个新的轻量级目标检测模型[J]. 计算机与现代化, 2024, 0(11): 91-98.
[10]	祁贤, 刘大铭, 常佳鑫. 基于改进自注意力机制的多视图三维重建[J]. 计算机与现代化, 2024, 0(11): 106-112.
[11]	杨骏1, 胡为1, 朱文福2. 基于改进MobileNetV3的视觉SLAM回环检测算法[J]. 计算机与现代化, 2024, 0(10): 21-26.
[12]	魏学诚1, 江凌云1, 李研2, 何非2. 改进YOLOv5的路侧单目视角小目标检测算法[J]. 计算机与现代化, 2024, 0(10): 27-34.
[13]	杜猛俊1, 李昂1, 童俊1, 钱锦1, 康恺1, 王若丁1, 靳文星2. 基于改进极限学习算法的电力信息数据融合模型[J]. 计算机与现代化, 2024, 0(10): 61-64.
[14]	杨世军1, 狄广义1, 高军1, 陈见飞1, 王耀坤1, 季晓晗2. 跨模态注意力融合和信息感知的情感一致检测[J]. 计算机与现代化, 2024, 0(10): 113-119.
[15]	候聪颖, 杨文清, 王召, 程聪. 基于时频自注意力残差时序卷积网络的语音增强[J]. 计算机与现代化, 2024, 0(09): 20-24.