典型文献
基于U-Net网络改进算法的视网膜血管分割研究
文献摘要：
针对视网膜图像血管细小,细节特征丢失、梯度下降、爆炸而导致分割效果差的问题,本文提出了一种引人残差块、循环卷积模块和空间通道挤压激励模块的U-Net视网膜血管图像分割模型.首先通过使用一系列随机增强来扩展训练集并对数据集进行预处理,然后在U-Net模型中引入残差块,避免随着网络深度增加,分割准确率达到饱和然后迅速退化以及优化计算成本;并将U-Net网络的底部替换为循环卷积模块,提取图像低层次的特征,并不断的进行特征积累,增强上下文之间的语义信息,获得更有效的分割模型;最后在卷积层之间嵌入空间通道挤压激励模块,通过找到特征较好的通道,强调这一通道,压缩不相关的通道使得网络模型能够加强关键语义特征信息的学习,通过训练过程学习到有效的特征信息,同时增强抗干扰能力.通过在DRIVE数据集上的验证结果可得,本文所提模型的准确率为98.42％,灵敏度达到了 82.36％,特异值达到了 98.86％.通过和其他网络分割方法比较,本文所提分割方法具有更优的分割效果.
文献关键词：
视网膜血管分割;U-Net网络;残差块;循环卷积模块;空间通道挤压激励模块
中图分类号：
作者姓名：
金鹭;张寿明
作者机构：
昆明理工大学信息工程与自动化学院,云南昆明650500
文献出处：
引用格式：
[1]金鹭;张寿明-.基于U-Net网络改进算法的视网膜血管分割研究)[J].光电子·激光,2022(08):887-896
A类：
循环卷积模块,空间通道挤压激励模块
B类：
Net,改进算法,视网膜血管分割,对视,视网膜图像,细小,细节特征,梯度下降,分割效果,残差块,图像分割,分割模型,训练集,优化计算,计算成本,低层次,上下文,语义信息,卷积层,一通,不相关,语义特征,特征信息,训练过程,过程学习,抗干扰能力,DRIVE,分割方法,方法比较,提分
AB值：
0.252679
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
