基于粗糙注意力融合机制与Group Transformer的视网膜血管分割网络

打开文本图片集

摘要：视网膜血管的形态学变化对早期眼科疾病的诊断具有重要意义，除眼科疾病外，糖尿病、心血管疾病等同样可以通过视网膜血管的形态判别疾病进展。然而，视网膜血管本身具有复杂的组织结构，且易受到光线等因素的影响，对其准确分割并不容易。针对上述问题，提出了一种视网膜血管分割网络。该网络中首先设计了粗糙注意力融合模块（rough attention fusion module，RAFM），该模块基于粗糙集上下近似理论，利用全局最大池化与全局平均池化对注意力系数进行上下限描述，并串行融合通道注意力机制与空间注意力机制；然后，将粗糙注意力融合模块融入Group Transformer U network （GT U-Net），构建一种基于粗糙注意力融合机制与Group Transformer的视网膜血管分割网络；最后，基于公开DRIVE彩色眼底图像数据集进行对比实验，该网络结构在测试集上的准确率、F1分数、AUC值分别达到了0.963 1、0.848 8和0.981 2，与GT U-Net模型相比，F1分数、AUC值分别提升了0.35%、0.21%；与其他当前主流的视网膜血管分割网络进行对比，具有一定优势。（剩余17290字）