8、视网膜血管分割与OCT图像去噪技术新进展

视网膜血管分割与OCT图像去噪技术新进展

在医学图像分析领域，视网膜血管分割和光学相干断层扫描（OCT）图像去噪是两个关键且具有挑战性的任务。视网膜血管分割有助于眼科医生诊断眼部疾病，而OCT图像去噪则能提升图像质量，为后续分析提供更准确的信息。下面将详细介绍相关的技术方法和实验结果。

1. 级联注意力引导网络（CAG - Net）用于视网膜血管分割

1.1 CAG - Net架构

CAG - Net由预测模块和细化模块组成。预测模块负责生成初始分割图，细化模块则对初始分割图进行增强。损失函数结合了交叉熵损失（lossce）和骰子损失（lossdice），使得预测模块生成的分割图在像素级别接近真实标签，最终分割图从区域角度逼近真实标签。细化模块主要学习分割残差，重点关注预测模块中分割不足的区域。

1.2 注意力UNet++（AU - Net++）

在CAG - Net内部，提出了AU - Net++，其解码器上采用了注意力引导卷积块（AC块）。AC块包含通道注意力层、卷积层、实例归一化层和ReLU层。使用实例归一化层替代经典UNet++中的批量归一化层，避免了训练批次中暗样本对训练过程的干扰。通道注意力层采用自适应最大池化（AMP）替代自适应平均池化（AAP），以保留更多的判别信息。

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;
    A(输入图像):::process --> B(预测模块):::process
    B -->