位置感知循环卷积与多尺度输入的视网膜血管分割方法

针对视网膜图像血管纹理复杂,微小血管极多,成像对比度低的问题,提出一种结合位置感知循环卷积(position aware circular convolution,ParC)、多尺度分辨率输入的视网膜血管分割方法.使用带有普通卷积、位置感知循环卷积、ECA(efficient channel attention)注意力的卷积模块(ParC-ECA block)来充分提取输入眼底图像的全局、局部特征信息;在级联的下采样路径中,提出多尺度输入模块(multi-scale input block)来对每一层级的特征信息进行加强,找回丢失的细节信息,避免因细节丢失而引起的网络性能下降;在跳跃连接中使用残差双注意力模块(residual spatial channel attention block,RSCA),在保持网络每一层级原始特征传递的基础上,对其进行背景干扰噪声过滤和血管特征强化,进一步提升分割性能.提出的方法在DRIVE数据集和CHASE_DB1数据集上进行了实验,其AUC分别为98.53%和98.81%,ACC分别为95.81%和96.84%,F1-score分别为83.55%和83.39%.实验结果表明所提方法优于现有主流分割方法,特别是在微小血管的分割表现方面较为突出.