11、基于改进 U-Net++ 和 EfficientNet 编码器的视网膜图像视盘、视杯和中央凹检测

基于改进 U-Net++ 和 EfficientNet 编码器的视网膜图像视盘、视杯和中央凹检测

1 引言

视网膜疾病如青光眼和年龄相关性黄斑变性（AMD）的早期检测和筛查对于减少视力丧失至关重要。青光眼会损害眼睛的视神经，导致永久性视力损伤；AMD 是 65 岁以上人群失明的主要原因，黄斑病变会导致中心视力丧失。因此，视盘（OD）、视杯（OC）和中央凹是眼科成像和诊断中最重要的视网膜标志。

近年来，已经提出了几种视网膜结构检测方法。大多数文献使用视网膜的强度、纹理和外观等特征来检测 OD 和 OC。深度学习方法在 OD 和视杯分割方面取得了显著进展，但大多数方法将视盘与视杯或视盘与中央凹作为两个独立的分割任务处理。由于这些视网膜结构在空间上相互关联，因此进行联合检测和分割具有优势。

为了解决这些问题，提出了一种使用改进的 U-Net++ 模型和 EfficientNet 编码器的两阶段方法，用于分割视网膜结构。该方法的主要贡献如下：
1. 提出了一种两阶段方法，用于联合分割视盘、视杯和中央凹。第一阶段进行视盘和中央凹的联合检测，第二阶段提取视盘区域并用于视杯检测。
2. 使用 EfficientNet-B4 编码器和改进的 U-Net++ 架构。重新设计的 U-Net++ 跳跃连接和在解码器中使用并发通道和空间激励块显著提高了模型性能。
3. 在四个不同的数据集上评估了该方法，并与最先进的方法进行了广泛的实验比较。

2 方法

2.1 数据集

使用了四个不同的数据集：i-challenge ADAM、REFUGE、Drishti-GS 和 IDRiD。在第一阶段，使用 ADAM 数据