基于DenseU-Net的眼底视网膜血管分割
-
摘要: 针对眼底视网膜血管图像特征信息复杂,现有的血管分割算法对细小血管特征难以采集和血管误分割等问题,提出一种融合U-Net网络和密集网络的分割方法.首先,提取眼底图像的绿通道,通过限制对比度自适应直方图均衡化对图像进行血管增强处理,其次,利用局部自适应Gamma校正来调整眼底图像的亮度信息,同时在卷积层之间引入一种动态激活函数,提高网络的特征表达能力,最后输入到改进网络模型中进行分割.该算法在DRIVE(digitalretinalimagesforvesselextraction)和STARE(structuredanalysisoftheretina)两个公开数据集上的准确率分别为96.28%和96.85%,特异性分别为98.46%和98.55%,灵敏度分别为80.47%和81.38%.实验表 明所提方法能够准确识别并分割出眼底细微血管,提高了视网膜血管分割的准确率.