换一批基于自注意力机制和侧输出损失函数的视网膜血管分割网络
Retinal Vessel Segmentation Network Based on Self-attention Mechanism and Lateral Output Loss Function
摘要图像分割是医学图像分析中的一个基本问题,基于深度学习的典型UNet架构(UNet architecture)分割网络模型及其变式被广泛应用于视网膜血管分割之中.但是UNet网络通过局部卷积模块提取图像的特征信息,难以关联图像的全局信息,无法有效捕捉像素之间的长距离依赖关系.考虑到UNet网络模型存在的问题和视网膜血管图像的特点,在UNet跳跃连接中加入注意力模块,可以捕捉血管之间的长距离依赖关系.此外,为增强网络的分割能力,使用群归一化(group normaliza-tion,GN)代替UNet网络模型原始的批归一化(batch normalization,BN),对不同的通道选择对应的分组.为更新参数和优化网络,利用侧输出层和最后的输出层设计了交叉熵损失函数.在DRIVE数据集和CHASEDB1数据集上进行了实验,实验结果表明所提出的模型有更好的图像分割效果.
更多相关知识
关键词
UNetSwin-UNet群归一化侧输出层视网膜血管分割UNetSwin-UNetgroup normalizationlateral output layersretinal blood vessel segmentation
栏目名称
DOI
10.12404/j.issn.1671-1815.2406155
发布时间
2025-08-18（万方平台首次上网日期，不代表论文的发表时间）
基金项目
山东省自然科学基金面上项目（ZR2022MA027）
- 浏览4
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
