梁禮明，余 潔，陳 鑫，周瓏頌，馮新剛

(1.江西理工大學(xué) 電氣工程與自動(dòng)化學(xué)院，江西 贛州 341000； 2.江西理工大學(xué) 應(yīng)用科學(xué)學(xué)院 機(jī)電工程系，江西 贛州 341000)

0 引 言

近些年，隨著計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展，許多自動(dòng)提取視網(wǎng)膜血管的算法被提出。這些算法主要被分為兩類：傳統(tǒng)圖像處理[1-5]和深度學(xué)習(xí)處理[6,7]。朱承璋等[8]采用隨機(jī)森林算法分割視網(wǎng)膜血管；蔡軼珩等[9]采用高斯匹配濾波、形態(tài)學(xué)底帽變換和支持向量機(jī)等算法進(jìn)行血管分割；Wu等[10]將殘差塊引入編碼-解碼結(jié)構(gòu)以分割血管；Ronneberger等[11]設(shè)計(jì)U-Net網(wǎng)絡(luò)進(jìn)行分割，提升精度。上述方法雖能有效地分割視網(wǎng)膜圖像中的血管，但分割結(jié)果普遍存在細(xì)小血管分割不足，未能區(qū)分病灶區(qū)域。為此本文提出平衡多尺度注意力網(wǎng)絡(luò)的視網(wǎng)膜血管分割算法，主要工作為：①設(shè)計(jì)多尺度特征提取模塊進(jìn)行編碼，提升網(wǎng)絡(luò)捕獲多尺度目標(biāo)信息的能力和精細(xì)血管分割質(zhì)量；②引入細(xì)節(jié)增強(qiáng)模塊，對(duì)編碼層輸出執(zhí)行全局池化操作，并計(jì)算注意力向量來(lái)校準(zhǔn)特征信息的權(quán)重，提高網(wǎng)絡(luò)對(duì)血管特征的敏感性；③在解碼結(jié)構(gòu)中使用校準(zhǔn)殘差模塊替代普通卷積層，進(jìn)一步學(xué)習(xí)血管細(xì)節(jié)特征，擬制噪聲所帶來(lái)的影響；④在解碼器輸出結(jié)構(gòu)中引入平衡尺度注意力模塊，將不同層級(jí)的特征信息融合，平衡語(yǔ)義和細(xì)節(jié)特征，使特征圖中深層特征與淺層特征相互補(bǔ)充，增強(qiáng)血管注意力，提升分割性能。

1 網(wǎng)絡(luò)結(jié)構(gòu)

1.1 多尺度特征提取模塊

由于視網(wǎng)膜圖像中血管大小不一，僅使用普通卷積進(jìn)行編碼將無(wú)法獲取輸入特征圖的多尺度特征信息，這對(duì)細(xì)小血管分割是不利的。常見(jiàn)的多尺度特征融合網(wǎng)絡(luò)結(jié)構(gòu)有：并行多分支結(jié)構(gòu)、串行跳躍連接結(jié)構(gòu)。并行多分支結(jié)構(gòu)能獲取當(dāng)前層不同感受野下的特征信息將其融合后傳遞給下一層，串行跳躍連接結(jié)構(gòu)能將不同層的特征信息進(jìn)行融合傳遞給下一層，其原理都是提取不同感受野下的特征信息進(jìn)行融合。Inception模型[12]通過(guò)并行不同大小的卷積核進(jìn)行多尺度特征提取，但在有效提取多尺度特征的同時(shí)未考慮特征通道之間的相互依賴關(guān)系。

為了解決這個(gè)問(wèn)題，本文設(shè)計(jì)如圖1所示的多尺度特征提取模塊(multi-scale feature extraction module，MFEM)對(duì)輸入圖像進(jìn)行編碼，獲取語(yǔ)義與上下文信息。MFEM拼接3個(gè)具有不同擴(kuò)張率的空洞卷積、一個(gè)1×1卷積層和一個(gè)特征重標(biāo)定層的特征圖完成特征融合。其中，通過(guò)3個(gè)不同擴(kuò)張率的空洞卷積獲取多尺度特征信息，并在保持良好性能的同時(shí)降低參數(shù)數(shù)量。1×1卷積層用于保留當(dāng)前尺度特征信息，而特征重標(biāo)定層旨在明確建立特征與通道之間的關(guān)系，通過(guò)自我學(xué)習(xí)獲取圖像的全局特征信息和各個(gè)通道的重要性。特征重標(biāo)定層首先對(duì)輸入特征圖X進(jìn)行全局平均池化將W×H×C的張量轉(zhuǎn)化為1×1×C的張量F

圖1 多尺度特征提取模塊

(1)

其中，X表示輸入特征圖，像素點(diǎn)xi,j∈X， G(·) 表示全局平均池化運(yùn)算。

然后經(jīng)過(guò)兩個(gè)1×1卷積層將其轉(zhuǎn)化為F′，再經(jīng)過(guò)Sigmoid函數(shù)將其權(quán)重重新標(biāo)定得到F″

(2)

其中， C(·) 為兩層卷積運(yùn)算， S(·) 為Sigmoid激活函數(shù)運(yùn)算，像素點(diǎn)f′∈F′。

最后將輸入特征圖X與F′相乘得得到輸出Y

(3)

1.2 細(xì)節(jié)增強(qiáng)模塊

跳躍連接將上采樣輸出與對(duì)應(yīng)編碼器特征圖進(jìn)行拼接，修復(fù)下采樣操作損失的細(xì)節(jié)信息，但這也導(dǎo)致一些噪聲的疊加。本文在跳躍連接處引入細(xì)節(jié)增強(qiáng)模塊(detail enhancement module，DEM)，利用細(xì)節(jié)增強(qiáng)模塊提高網(wǎng)絡(luò)對(duì)特征信息的敏感度，同時(shí)在編碼器輸出中擬制無(wú)用信息，提取有效特征信息與解碼器特征融合以消除上采樣時(shí)一些細(xì)小血管與邊緣信息無(wú)法恢復(fù)的情況。提出的細(xì)節(jié)增強(qiáng)模塊如圖2所示。首先對(duì)特征圖X分別進(jìn)行全局最大池化和平均池化得到輸出X′和X″，全局最大池化的目的在于過(guò)濾掉較多無(wú)用信息，使目標(biāo)特征更加鮮明，而全局平均池化是為了獲取整體信息，防止高維信息丟失。其次將X′和X″分別進(jìn)行兩次1×1卷積操作后融合，再經(jīng)過(guò)Sigmoid函數(shù)得到權(quán)重系數(shù)α；然后將權(quán)重系數(shù)α校準(zhǔn)特征圖X得到輸出α×X，再將特征圖α×X分別進(jìn)行Channel Max與Channel Mean操作后融合，經(jīng)過(guò)1×1卷積、Sigmoid函數(shù)得到通道系數(shù)β。最后將特征圖X用通道系數(shù)β校準(zhǔn)得到最終輸出特征圖Y。

圖2 細(xì)節(jié)增強(qiáng)模塊

1.3 平衡尺度注意力模塊

通過(guò)編碼—解碼結(jié)構(gòu)能獲取視網(wǎng)膜圖像不同尺寸的特征圖，這些特征圖分辨率越高包含細(xì)節(jié)信息越多，但其語(yǔ)義信息較低，噪聲更多；分辨率越低語(yǔ)義越強(qiáng)，細(xì)節(jié)信息較低?；诰植刻卣鲌D提取相關(guān)信息，將導(dǎo)致血管分割結(jié)果中存在血管斷裂與偽影現(xiàn)象。因此，本文提出平衡尺度注意力模塊(balanced scale attention module，BSAM)，用于網(wǎng)絡(luò)末端，將不同層級(jí)特征圖結(jié)合起來(lái)進(jìn)行最終預(yù)測(cè)，以平衡特征圖中細(xì)節(jié)特征與上下文信息，自動(dòng)獲取每個(gè)像素的比例權(quán)重，校準(zhǔn)不同比例上的特征信息，進(jìn)而更好地分割不同尺度的血管。BSAM由平衡特征分支(balanced feature branch，BFB)和尺度注意力模塊(scale attention module，SAM)構(gòu)成。

平衡特征分支將解碼器不同層級(jí)的特征圖經(jīng)過(guò)雙線性插值上采樣到原始圖像大小，并用1×1卷積層將其壓縮為通道數(shù)為4的特征圖層，減少運(yùn)算量后將這些特征圖層拼接，使不同尺度特征圖的深層特征與淺層特征相互融合，平衡血管細(xì)節(jié)特征，得到混合特征圖F(大小為64×64×16)，其結(jié)構(gòu)如圖3所示。再將混合特征圖F輸入尺度注意力模塊，學(xué)習(xí)每個(gè)尺度圖像的特征權(quán)重，校準(zhǔn)不同尺度上的特征信息。尺度注意力模塊工作原理如下：首先對(duì)混合特征圖F進(jìn)行全局平均池化(global average pooling，GAP)與全局最大池化(global max pooling，GMP)后用多層感知機(jī)(multi-layer perceptron，MLP)獲取通道注意力系數(shù)α，并將其結(jié)果求和輸入Sigmoid函數(shù)中獲取每個(gè)通道的尺度注意力系數(shù)，尺度注意力系數(shù)向量表示為λ∈[0,1]1×1×C； 然后用尺度注意力系數(shù)向量λ校準(zhǔn)F得到輸出F′=F×λ， 再將F′經(jīng)過(guò)3×3卷積層、ReLU、1×1卷積層和Sigmoid操作生成空間注意力系數(shù)μ∈[0,1]1×H×W。 因此λ×μ表示為按像素縮放注意力系數(shù)。平衡尺度注意力結(jié)構(gòu)如圖4所示，最終輸出為

圖3 平衡特征分支

圖4 平衡尺度注意力模塊

F″=F·λ·μ+F·λ+F

(4)

1.4 校準(zhǔn)殘差模塊

在網(wǎng)絡(luò)中合并更多編碼器-解碼器分支后會(huì)增加參數(shù)數(shù)量與訓(xùn)練難度，導(dǎo)致產(chǎn)生過(guò)擬合和退化現(xiàn)象。因此本文提出一個(gè)校準(zhǔn)殘差模塊(calibration residual module，CRM)代替原始卷積層進(jìn)行解碼，其結(jié)構(gòu)如圖5所示。采用兩個(gè)3×3卷積構(gòu)成殘差部分，進(jìn)一步學(xué)習(xí)紋理與細(xì)節(jié)特征，有效擬制過(guò)擬合現(xiàn)象。正如前面所提到的，一些微小血管特征難以被提取，每個(gè)通道圖的高級(jí)特征可以被視為一個(gè)類的特定響應(yīng)，薄血管、厚血管和其它噪聲可看作不同類別。因此在殘差塊后引入SE模塊[13]，利用特征通道之間的相互依賴關(guān)系，在提高血管類別特征通道權(quán)重的同時(shí)擬制其它類別特征通道的權(quán)重，使精細(xì)血管特征更易于提取。

圖5 校準(zhǔn)殘差模塊

1.5 平衡多尺度注意力網(wǎng)絡(luò)

視網(wǎng)膜血管分割面臨的主要是語(yǔ)義與位置之間內(nèi)在張力問(wèn)題，雖然全局信息可以緩解語(yǔ)義問(wèn)題，但局部信息可以緩解位置問(wèn)題，而將粗分割結(jié)果與細(xì)分割結(jié)果相結(jié)合能夠使模型在不違背全局預(yù)測(cè)結(jié)果的情況下進(jìn)行最大化局部預(yù)測(cè)，并最小化語(yǔ)義和位置之間的內(nèi)在張力問(wèn)題。因此，本文構(gòu)建了如圖6所示的平衡多尺度注意力網(wǎng)絡(luò)(balanced multi-scale attention network，BMSA-Net)用于視網(wǎng)膜血管分割，其總體結(jié)構(gòu)與標(biāo)準(zhǔn)U-Net相似，但其局部與U-Net存在差異：①在編碼路徑中使用MFEM模塊代替普通卷積層，在不增加計(jì)算量的情況下擴(kuò)大感受野，提取更豐富的多尺度特征信息；②在跳躍連接處嵌入細(xì)節(jié)增強(qiáng)層，細(xì)節(jié)增強(qiáng)層的使用可以獲取必要的目標(biāo)細(xì)節(jié)信息，并結(jié)合低層和高層的特征信息來(lái)精準(zhǔn)重建分割邊界的形狀；③設(shè)計(jì)BSAM用于網(wǎng)絡(luò)的末端，利用多層次信息互補(bǔ)優(yōu)勢(shì)，學(xué)習(xí)更具有區(qū)分度的特征信息，以實(shí)現(xiàn)精確的視網(wǎng)膜血管分割。

圖6 平衡多尺度注意力網(wǎng)絡(luò)

具體操作流程如下：首先將視網(wǎng)膜圖像預(yù)處理后輸入編碼器，經(jīng)過(guò)卷積層和四層MFEM與下采樣操作，其對(duì)應(yīng)輸出特征通道數(shù)分別為64、64、128、256和512。在編碼結(jié)束后將最后一層MFEM的輸出特征圖輸入到空間金字塔池化模塊(spatial pyramid pooling module，SPPM)進(jìn)行多尺度特征融合，SPPM由4個(gè)并行的池化層構(gòu)成，分別為1×1pool、2×2pool、3×3pool、6×6pool。然后對(duì)其進(jìn)行上采樣操作并與同層細(xì)節(jié)增強(qiáng)模塊的輸出特征圖進(jìn)行拼接后通過(guò)校準(zhǔn)殘差模塊進(jìn)行解碼，反復(fù)操作直到輸出特征圖恢復(fù)到輸入原始圖像大小。最后將解碼器各層特征圖輸入BSAM，平衡深層與淺層信息，自動(dòng)學(xué)習(xí)每個(gè)尺度圖像的特定權(quán)重，以校準(zhǔn)不同尺度特征得到最終的分割結(jié)果。

2 實(shí)驗(yàn)結(jié)果與對(duì)比分析

2.1 數(shù)據(jù)集與預(yù)處理

本文在DRIVE公共數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)。DRIVE數(shù)據(jù)集由40張彩色視網(wǎng)膜圖像構(gòu)成，每幅圖像的分辨率為565×584，其中33張屬于健康受試者，7張具有病理特征。官方已將其劃分為各包含20幅圖像的訓(xùn)練集和測(cè)試集，其中訓(xùn)練集中每幅圖像配有一個(gè)專家手動(dòng)分割結(jié)果，測(cè)試集中每幅圖像配有兩個(gè)專家手動(dòng)分割結(jié)果。

盡管網(wǎng)絡(luò)在原始視網(wǎng)膜圖像上表現(xiàn)良好，但適當(dāng)?shù)膱D像預(yù)處理操作可以使圖像特征更加明顯，提升分割性能。本文所進(jìn)行的預(yù)處理操作如下：首先提取彩色眼底圖像中的綠色通道作為輸入，這是因?yàn)榫G色通道中血管與背景有較高的對(duì)比度，血管特征最為明顯；然后采用限制對(duì)比度的自適應(yīng)直方圖均衡化進(jìn)一步提高血管和背景的對(duì)比度；再后利用伽馬變換提升暗部細(xì)節(jié)；最后采用旋轉(zhuǎn)和裁剪等數(shù)據(jù)擴(kuò)充過(guò)程來(lái)提高訓(xùn)練性能。圖7展示了原圖像與預(yù)處理圖像。

圖7 圖像預(yù)處理

2.2 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)環(huán)境配置為Inter Core i7-6700H CPU，顯卡為NVIDA Geforce GTX 2070，16 G內(nèi)存，采用64位Win10操作系統(tǒng)。本文模型在Tensorflow2.0框架上進(jìn)行實(shí)驗(yàn)，batch size設(shè)置為16，訓(xùn)練epoch設(shè)置為100，采用Cross-Entropy Loss作為損失函數(shù)，選擇Adam算法進(jìn)行優(yōu)化，初始學(xué)習(xí)率設(shè)置為0.001。

2.3 評(píng)估指標(biāo)

為了定量評(píng)估本文算法對(duì)視網(wǎng)膜血管的分割性能，本文采用靈敏度(Se)、特異性(Sp)、準(zhǔn)確率(Acc)、F1分?jǐn)?shù)(F1-score)、ROC曲線下AUC面積和PR曲線下AUC面積作為客觀評(píng)價(jià)指標(biāo)，公式見(jiàn)表1。

表1 評(píng)價(jià)指標(biāo)公式

其中，TP為正確識(shí)別的血管像素個(gè)數(shù)，TN為正確識(shí)別的背景像素個(gè)數(shù)，F(xiàn)P為被錯(cuò)誤標(biāo)記為血管像素的背景像素個(gè)數(shù)，而FN為被錯(cuò)誤標(biāo)記為背景像素的血管像素個(gè)數(shù)。靈敏度(Se)表示正確分類血管像素占血管總像素的比例，特異性(Sp)表示正確分類背景像素占背景總像素的比例，準(zhǔn)確率(Acc)表示正確分類血管像素與背景像素總和占圖像總像素的比例。

2.4 實(shí)驗(yàn)結(jié)果分析

在DRIVE數(shù)據(jù)集上對(duì)BMSA-Net分割結(jié)果進(jìn)行驗(yàn)證，并同文獻(xiàn)[11,14]所提算法進(jìn)行對(duì)比，文獻(xiàn)[11]在編碼-解碼架構(gòu)的基礎(chǔ)上，增加跳躍連接提出U-Net算法；文獻(xiàn)[14]對(duì)文獻(xiàn)[11]所提算法進(jìn)行改進(jìn)，將雙向長(zhǎng)短期記憶模塊、密集連接模塊與U-Net相結(jié)合提出了BCDU-Net算法，性能得到一定的提升。

2.4.1 整體分割效果對(duì)比

圖8展示了不同算法在DRIVE數(shù)據(jù)集上分割結(jié)果圖，其中第一行為健康視網(wǎng)膜圖像，第二行為視網(wǎng)膜脈絡(luò)膜病變圖像，第三行為糖尿病性視網(wǎng)膜病變圖像。圖8(a)～圖8(e)分別為預(yù)處理圖像、金標(biāo)準(zhǔn)、本文算法分割、文獻(xiàn)[11,14]分割結(jié)果。

圖8 不同算法分割結(jié)果

由圖8第一行可知，由于視盤周圍光照不均，文獻(xiàn)[11,14]均出現(xiàn)主血管斷裂與細(xì)小血管誤分割現(xiàn)象，而B(niǎo)MSA-Net較好地避免主血管斷裂的同時(shí)能區(qū)分不同尺度的血管；由圖8第二行可知，文獻(xiàn)[11,14]誤將色素上皮改變區(qū)域誤分割為血管，且在視網(wǎng)膜邊界周圍未能準(zhǔn)確分割應(yīng)有的細(xì)小血管，而B(niǎo)MSA-Net很好地區(qū)分色素上皮病變區(qū)域，準(zhǔn)確分割細(xì)小血管，避免了誤分割現(xiàn)象產(chǎn)生；由圖8第三行可知，文獻(xiàn)[14]在血管交叉處出現(xiàn)了血管斷裂現(xiàn)象，而B(niǎo)MSA-Net與文獻(xiàn)[11]較好地避免血管斷裂現(xiàn)象，但文獻(xiàn)[11]存在將背景誤分割為微血管，而B(niǎo)MSA-Net準(zhǔn)確地區(qū)分背景與目標(biāo)，分割出更多血管且不易斷裂。綜上，本文算法不僅能準(zhǔn)確分割健康視網(wǎng)膜血管，避免血管斷裂，而且對(duì)視網(wǎng)膜病變圖像分割同樣具有良好的分割性能。

2.4.2 細(xì)節(jié)分割效果對(duì)比

為了將本文算法性能優(yōu)勢(shì)更進(jìn)一步展現(xiàn)出來(lái)，圖9給出DRIVE數(shù)據(jù)集上本文算法與文獻(xiàn)[11,14]血管分割細(xì)節(jié)圖。圖9(a)～圖9(e)分別為預(yù)處理圖像、金標(biāo)準(zhǔn)、本文算法、文獻(xiàn)[11,14]分割細(xì)節(jié)。

圖9 分割結(jié)果細(xì)節(jié)對(duì)比

觀察圖9第一行，文獻(xiàn)[11,14]在視盤周圍均出現(xiàn)血管合并現(xiàn)象，而本文算法引入細(xì)節(jié)增強(qiáng)層與平衡多尺度注意力結(jié)構(gòu)，融合多尺度特征信息，提高血管特征捕捉能力，很好避免血管合并現(xiàn)象產(chǎn)生。

觀察圖9第二行，由于細(xì)小血管與背景對(duì)比度低，文獻(xiàn)[11,14]存在血管分割斷裂現(xiàn)象。這是因?yàn)槲墨I(xiàn)[11,14]僅采用普通卷積進(jìn)行編碼和解碼，無(wú)法獲取輸入特征圖的多尺度特征和恢復(fù)池化操作損失的血管局部細(xì)節(jié)。相較而言，本文采用MFEM代替普通卷積層進(jìn)行編碼，獲取多尺度特征信息的同時(shí)，降低光照不均的影響；利用CRM代替普通卷積層進(jìn)行解碼，消除上采樣時(shí)一些血管與邊緣信息無(wú)法恢復(fù)的影響，因此能夠較好地解決血管斷裂問(wèn)題。

綜上，本文算法與文獻(xiàn)[11,14]相比具有一定的優(yōu)越性，可以更好地獲取多尺度特征信息，增強(qiáng)細(xì)小血管特征，有效地克服血管尺度不一及光照不均的影響，更加準(zhǔn)確分割血管。

2.4.3 分割效果客觀分析

不同算法在DRIVE數(shù)據(jù)集上的性能指標(biāo)見(jiàn)表2，其中加粗部分為該指標(biāo)的最優(yōu)值。本文算法的準(zhǔn)確率、靈敏度、特異性、F1分?jǐn)?shù)、ROC曲線下的AUC面積和PR曲線下的AUC面積分別為：96.42%、83.17%、98.27%、85.06%、98.63%和93.43%，與文獻(xiàn)[11,14]相比，除特異性比文獻(xiàn)[14]僅低0.09%外，其它性能指標(biāo)均有不同程度的提升。

表2 DRIVE數(shù)據(jù)集上的平均性能指標(biāo)對(duì)比結(jié)果

2.4.4 與其它先進(jìn)算法進(jìn)行對(duì)比

為了進(jìn)一步驗(yàn)證本文算法的血管分割性能，表3給出BMSA-Net與其它先進(jìn)算法在DRIVE數(shù)據(jù)集上靈敏度、特異性和準(zhǔn)確率的對(duì)比，表中數(shù)據(jù)來(lái)自源文獻(xiàn)，加粗部分為該項(xiàng)指標(biāo)最優(yōu)值。

由表3可知，在DRIVE數(shù)據(jù)集上BMSA-Net的靈敏性、特異性和準(zhǔn)確率分別為0.8317、0.9827和0.9642，除特異性僅比文獻(xiàn)[20]所提算法低0.09%，其它指標(biāo)均優(yōu)于其它先進(jìn)算法。綜上，BMSA-Net在靈敏度和準(zhǔn)確率表現(xiàn)優(yōu)異，整體上BMSA-Net優(yōu)于其它先進(jìn)算法，可以更好地區(qū)分血管像素與背景像素，具有較強(qiáng)的魯棒性。

表3 在DRIVE與其它先進(jìn)算法的性能指標(biāo)對(duì)比

2.4.5 消融實(shí)驗(yàn)

為進(jìn)一步說(shuō)明BMSA-Net各個(gè)模塊對(duì)分割性能的影響，本文在DRIVE數(shù)據(jù)集上進(jìn)行消融實(shí)驗(yàn)。M0為僅使用U-Net的分割結(jié)果，M1是在U-Net加入DEM的分割結(jié)果，M2為使用MFEM代替原U-Net解碼器卷積層的分割結(jié)果，M3是在M2的基礎(chǔ)上加入DEM的分割結(jié)果。實(shí)驗(yàn)結(jié)果見(jiàn)表4。

表4 算法改進(jìn)前后結(jié)果對(duì)比

由表4可知，M1在U-Net中僅加入DEM時(shí)分割結(jié)果相比原U-Net，雖然特異性降低了0.09%，但靈敏度顯著提升，提升了0.72%，表明DEM提高了網(wǎng)絡(luò)對(duì)微血管特征的提取能力；M2在U-Net中引入MFEM，除Sp與原U-Net基本持平外，Se得到較大幅度提升，其它指標(biāo)提升明顯，說(shuō)明MFEM能獲取更豐富的多尺度特征信息，提高網(wǎng)絡(luò)分割細(xì)小血管的性能；M3在M2的基礎(chǔ)上引入DEM，有效解決目標(biāo)與背景之間權(quán)重不平衡問(wèn)題；BMSA-Net與其它行對(duì)比說(shuō)明：隨著網(wǎng)絡(luò)中上述模塊依次融合，F(xiàn)1分?jǐn)?shù)、準(zhǔn)確率、AUC(ROC)與AUC(PR)穩(wěn)定上升，Se與Sp逐漸平衡。當(dāng)所有模塊合理組合后分割性能最好，說(shuō)明本文算法的合理性與有效性。

3 結(jié)束語(yǔ)

本文針對(duì)視網(wǎng)膜血管分割問(wèn)題中存在不能準(zhǔn)確區(qū)分病灶區(qū)域與分割細(xì)小血管等問(wèn)題，提出了一種平衡多尺度特征注意力網(wǎng)絡(luò)用于視網(wǎng)膜血管分割，在網(wǎng)絡(luò)架構(gòu)上，MFEM使用不同擴(kuò)張率的空洞卷積和特征重標(biāo)定層來(lái)獲取不同大小的視網(wǎng)膜血管信息和全局上下文信息，并減少參數(shù)提高算法速度；DEM結(jié)合淺層信息和深層信息，以恢復(fù)丟失的淺層信息，同時(shí)獲得空間信息；CRM在減少過(guò)擬合現(xiàn)象的同時(shí)擬制非重要特征；BSAM融合解碼不同層級(jí)特征信息以平衡細(xì)節(jié)信息，提升網(wǎng)絡(luò)性能。實(shí)驗(yàn)結(jié)果表明，本文算法分割結(jié)果優(yōu)于其它算法，有著較好的分割性能。