64、视网膜血管分割与策略学习的创新方法

视网膜血管分割与策略学习的创新方法

在医学图像分割和强化学习领域，不断有新的方法和技术涌现，以解决现有方法的局限性并提升性能。下面将介绍两种创新方法：iResSENet用于视网膜血管分割，以及EAS - TD3用于基于梯度的策略学习。

iResSENet：精准的视网膜血管分割卷积神经网络

iResSENet在视网膜血管分割任务中展现出了显著的优势。与U - Net相比，它不会增加网络参数数量，对训练和测试性能有重要影响。U - Net有31,055,297个参数，而iResSENet仅7,536,861个参数。

实验设置

• 数据集 ：使用了四个不同的数据集，具体信息如下：
  | 数据集名称 | 图像数量 | 图像分辨率 | 训练集与测试集划分 |
  | — | — | — | — |
  | DRIVE | 40 | 565 × 584像素 | 训练集20张，测试集20张 |
  | CHASEDB1 | 28 | 999 × 960像素 | 训练集20张，测试集8张 |
  | STARE | 20 | 700 × 605像素 | 采用“leave - one - out”方法 |
  | HRF | 45 | 3,304 × 2,336像素 | 训练集22张，测试集23张 |

为了适应实验需求，将DRIVE、CHASEDB1和STARE数据集的图像调整为512 × 512像素，对HRF数据集的高分辨率图像裁剪为640 × 640像素，并进行了数据增强操作，包括水平翻转、垂直翻转、转置、随机旋转等，从单张图像生成13张图像（包括原始