12、基于多级轻量级 U-Net 和空洞空间金字塔池化的眼底图像视盘分割

基于多级轻量级 U-Net 和空洞空间金字塔池化的眼底图像视盘分割

1. 引言

视盘（Optic Disc, OD）是视网膜图像中的主要解剖结构，其周围分布着丰富的血管。对视盘进行分割在许多眼底疾病的自动诊断中具有重要意义。例如，视盘的位置可用于定位黄斑，这在青光眼、糖尿病视网膜病变和年龄相关性黄斑变性的检测中起着关键作用。准确的分割结果还可作为血管跟踪的重要指标，以及其他视网膜结构（如中央凹）的标记。

目前，一些自动视盘分割方法基于临床原理使用手工特征。例如，利用局部先验知识去除视盘区域的血管以获得分割结果；从单眼彩色眼底图像中进行边界检测以量化视盘表示；通过超像素分类来区分每个超像素为视盘和非视盘，从而评估视盘分割结果的性能。然而，这些手工特征的表示能力有限，可能影响模型的泛化性能，导致鲁棒性较差。

深度学习技术在许多计算机视觉任务中已被证明能产生高度独特的表示，卷积神经网络的成功促使研究人员设计用于视盘分割的深度神经网络结构。例如，全卷积网络（FCN）通过从原始图像获取分类图来分割视盘；深度视网膜图像理解（DRIU）方法设计特定任务层来执行视盘分割；MNet 使用 U-Net 作为骨干提取多级特征图以增强子空间表示能力；注意力引导网络（AG-Net）在上采样层产生注意力引导滤波器和结构跳跃连接以合并结构信息和空间信息；空间感知神经网络（SAN）考虑标签预测依赖于上下文特征和视盘及视杯的空间位置。但这些方法频繁使用堆叠卷积层和池化操作，忽略了详细的空间信息，而这些信息对于视盘分割至关重要，因为视盘的轮廓和血管的空间分布具有许多相似的结构信息。

为解决上述问题，本文提出了一种轻量级 U-Net（LU-Net），通过减少卷积层和池化操作来防止丢失重要的空间信息