跨级可变形Transformer编解码视网膜图像分割算法.pdf
《跨级可变形Transformer编解码视网膜图像分割算法.pdf》由会员分享,可在线阅读,更多相关《跨级可变形Transformer编解码视网膜图像分割算法.pdf(12页珍藏版)》请在咨信网上搜索。
1、 :引用格式:梁礼明,阳渊,何安军,等跨级可变形编解码视网膜图像分割算法无线电工程,():,():跨级可变形编解码视网膜图像分割算法梁礼明,阳渊,何安军,李仁杰(江西理工大学 电气工程与自动化学院,江西 赣州)摘要:眼底视网膜血管图像分割对青光眼、糖尿病等疾病的预防和诊断具有重要意义。针对视网膜血管图像边缘分割模糊、微细血管漏缺和模型感受野不足等问题,提出了一种跨级可变形编解码(,)视网膜图像分割算法。在特征提取网络中融入通道像素增强模块和跨级融合骨干,实现对视网膜血管全局特征的粗提取;在网络编码部分加入可变形自适应编码模块(,),通过可变形编码的方式增大模型感受野;在编解码结构底层加入深层语
2、义门控注意模块,实现对视网膜血管深层特征的充分学习,以改善血管图像边缘分割模糊的问题。在模型训练阶段采用加权交叉焦点损失函数,克服视网膜血管图像样本不平衡的问题。在公共数据集和上进行仿真实验,所提算法灵敏度、特异性、准确率和指标在上达到、和,在上达到、和。通过与其他先进算法对比分析可以看出,所提算法分割效果可靠且整体性能先进。关键词:可变形;跨级融合骨干;加权交叉焦点损失函数;视网膜血管图像分割;深层语义门控注意模块中图分类号:文献标志码:开放科学(资源服务)标识码():文 章 编 号:(),(,):,(),收稿日期:基金项目:国家自然科学基金(,);江西省自然科学基金面上项目();江西省教育
3、厅科学技术研究重点项目();江西省研究生创新专项资金项目():(,);();();()信号与信息处理 年 无线电工程 第 卷 第 期:;引言眼底视网膜血管是人体中可看见的血管,医生把它当作了解其他脏器血管情况的窗口。从眼底视网膜图像中分割出精确的视网膜血管图,对高血压、糖尿病等疾病的辅助诊断至关重要。然而,视网膜血管的形态分布复杂多样,如旁支数量多、血管粗细和微细血管特征多样等。若采取人工方法获取视网膜血管特征,不仅会存在一定的主观误差,而且耗时费力。因此设计一种能自动且准确分割视网膜血管图像的算法是很有必要的。目前视网膜血管图像分割方法主要分为两大类:一是基于血管跟踪、形态学处理、匹配滤波和
4、形变模型等传统方法。这些方法在模型训练时通常需要人工特征和专家标记,不仅过程繁琐而且人工标记存在一定容错率。近年来,随着计算机的迅速发展,计算能力大大提升,涌现出诸多基于深度学习的视网膜血管图像分割算法。二是深度学习的方法,例如,王莹等提出了一种多尺度特征融合的,该算法虽然在准确率和灵敏度方面有一定的提升,但仍存在较多血管伪影干扰。等将反卷积层替代卷积神经网络的全连接层,提出全卷积神经网络算法,该算法在分割领域取得了比较好的效果,促进了深度学习算法在分割等领域的应用。等提出了编码解码思想的算法,其巧妙使用拼接操作建立编码解码之间的特征关联,获得了较为理想的血管分割图,但存在血管边缘细节丢失的问
5、题。等融合加权注意力门与网络,在视网膜微细血管分割上取得了良好效果,但分割背景中存在较多非血管噪声干扰。等利用多通道特征融合策略提出基于融合机制的多通道深度神经网络视网膜血管图像分割算法,该算法分割策略新颖,但存在分割血管断裂的问题。等将金字塔结构与融合提出金字塔,其在分割方面性能较为理想,但存在病理特征误分割以及微细血管分割漏缺的问题。尽管这些先进算法在视网膜分割任务上均取得了较好的成效,但仍然不能很好地应对视网膜血管图像分割的挑战。一般存在如下问题:视网膜血管图像边缘分割模糊、微细血管漏缺、非血管噪声干扰和模型感受野范围不足等问题。针对上述存在的问题,本文提出跨级可变形编解码(,)视网膜分
6、割算法,主要工作为:利用跨级融合骨干与通道像素增强模块结合,建立通道之间的合作依赖关系,提升模型对视网膜血管特征语义的充分提取;引入可变形自适应编码模块,通过可变形编码的方式增大模型感受野,提高视网膜血管图像分割准确度;采用深层语义门控注意模块深入捕获空间特征权重与构建特征图位置空间联系,增强模型抗噪声干扰能力,降低血管背景误分割概率;设计加权交叉焦点损失函数,有效解决视网膜血管图中像素分割不平衡的问题。相关工作 算法总体结构针对视网膜血管图像边缘分割模糊、微细血管提取难和模型感受野不足的问题,提出视网膜分割算法,网络结构如图所示。由特征提取网络、编码和解码三部分组成,其中编码解码结构的层对应
7、通道数分别为、和。首先对视网膜图像做预处理和数据集扩充,然后在编码部分设计可变形自适应编码模块,并采用双边特征提取策略建立血管像素上下文依赖关系,其次在编解码结构的底层加入深层语义门控注意模块,从更深维度捕获血管细节特征,最后把提取的语义信息融合至解码阶段,促进分割图像的生成。信号与信息处理 图跨级可变形编解码视网膜图像分割算法结构 可变形自适应编码模块由等开发,最早用于自然语言处理领域。视觉(,)由等提出,并用于图像分类任务。的出现使在计算机视觉领域大放异彩。能突破位置距离的限制,更好地建立像素之间的联系。等提出的可变形多层感知器(,)能对全局语义信息进行自适应特征解析。为更好地实现对视网膜
8、血管纹理特征的提取,提出可变形自适应编 码模 块(,),如图所示。由位置编码自注意模块(,)、模块和结构组成。其中模块如图所示。图模块 模块首先对高度和宽度维度分别做相对位置编码操作,并用和表示,然后对和中的每个元素分别求和,得到对应于特征图中各像素内容的位置编码维度矩阵。最后通过自注意力机制学习不同权重的上下文血管语义信息,有利于模块对视网膜血管全局语义特征的学习。其过程在数学上表示为:(),()(),(),(,),()(,)槡(),()式中:、表示高度与宽度的相对位置编码后的特征块,、表示维度与维度的相对位置编码映射法则,、和分别表示、和维度上的权重,表示注意力矩阵,表示激活函数,表示注意
9、力维度,、和均表示维度矩阵。模块的自适应空间偏移量在混合展平的血管特征中做映射操作,进而获得更广阔的特征感受野,如图所示。通过模块位置编码强化视网膜血管图像像素之间的关联性,然后经模块对视网膜血管图像分割进行自适应特征信号与信息处理 年 无线电工程 第 卷 第 期 解析,实现对视网膜血管特征的全局提取,其计算过程为:()(),()式中:、表示输入特征与输出特征。图模块原理 通道像素增强模块在跨级融合阶段,高分辨率特征图具有丰富的视网膜血管全局特征,而低分辨率特征图具有充裕的深层局部语义信息。为了加强高分辨率特征与低分辨率特征之间的语义联系,需要对特征图做像素增强。受文献启发,提出通道像素增强模
10、块(,),如图所示。首先对输入特征图分别进行最大池化和平均池化操作,充分获取特征图全局上下文信息和排除非血管噪声干扰。然后经全连接层提高模型的学习能力,最后将激活后的特征与输入特征进行特征相乘,使维度恢复到输入维度达到像素增强的目的。计算过程为:()(),()式中:、分别表示输入特征图和输出特征图,表示激活函数,、分别表示最大池化和平均池化操作。图通道像素增强模块 跨级融合骨干视网膜血管图像边界模糊且分布多样复杂,对其特征进行准确提取存在较大的难度。在诸多分割算法中,往往通过构建更深的神经网络来实现对复杂特征的提取。然而这种策略弊端明显,增加了计算复杂度、牺牲了空间分辨率。为了能从空间上提取更
11、多视网膜血管特征,引入多分辨率结构并融合通道像素增强模块构建跨级融合骨干(,),如图所示。在模块中,高低分辨率特征图之间通过跨级融合的方式实现语义特征互联,从而提取到更多复杂的视网膜血管图像像素。模块计算过程表示为:(),(),()式中:表示拼接操作,、分别表示第层输出特征图和第层输入特征图,表示第层特征融合输出。图跨级融合骨干 信号与信息处理 深层语义门控注意模块视网膜血管形态分布错综复杂,对局部微细血管边界检测和分割较难。为了捕获更多微细血管特征权重和建立局部空间依赖关系,等提出递归门控卷积(),从空间交互维度实现对空间特征权重的学习与更新。等提出双注意力结构实现对局部语义依赖关系的捕捉。
12、为解决视网膜微细血管图像边界分割难的问题,提出深层语义门控注意模块(,),以更好地建立局部空间依赖关系和捕获视网膜局部特征,实现对微细血管的准确分割。如图所示,模块由双注意机制和递归门控卷积构成。其中,双注意机制分别从空间和像素点位置维度上计算注意力特征图,再进行特征融合,以获得更为丰富的视网膜血管细节,最后经递归门控卷积对微细血管局部建立依赖性。其数学表示如下:()(),(),(),(),()(),()式中:、分别表示空间和位置注意力特征图,、分别表示位置和空间维度上的特征像素矩阵,表示像素级融合操作,、分别表示输入特征和输出特征,表示门控卷积操作。图深层语义门控注意模块 实验过程及参数设定
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 跨级可 变形 Transformer 解码 视网膜 图像 分割 算法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。