计算机工程

作者：马晓月, 陈媛媛

单位：四川大学计算机学院, 四川 成都 610065

关键词：青光眼诊断,视盘分割,视杯分割,UNet模型,注意力机制,引导机制,对抗学习

基金：国家自然科学基金(62376173)

准确的视盘(OD)和视杯(OC)分割能够有效地辅助青光眼的诊断和监测, 从而进一步提高治疗效果。然而, 现有方法没有考虑到眼底图像不同通道之间的差异, 并且难以实现对OC边界的精确分割。针对这个问题, 提出一种基于对抗学习和引导机制的网络框架ALG-Net, 旨在提高OD和OC的分割性能。ALG-Net由分割网络和鉴别器两部分组成。在分割网络中, 构建引导融合模块(GFM), 该模块将单通道特征信息与RGB图像特征融合, 使网络充分学习眼底图像不同通道之间的差异信息, 引导分割网络聚焦于关键区域。ALG-Net网络框架还采用了鉴别器, 通过对抗学习的方式促进分割网络生成更真实的分割结果。在REFUGE和Drishti-GS数据集上进行广泛的实验评估, 实验结果表明, ALG-Net在RUFUGE数据集上OD和OC分割的平衡精度分别达到了98.6%和95.9%, 在Drishti-GS数据集上也表现出优异的性能。此外, ALG-Net的分割结果应用于青光眼分类任务, 在RUFUGE数据集上ROC曲线下面积(AUC)为0.983, 相较于经典UNet算法提高了0.015, 为青光眼的早期诊断和监测提供了有力的支持。

来源：2024年第12期

《计算机工程》期刊编辑部

查看计算机工程杂志2024年第12期