现有的视网膜血管分割算法存在特征提取能力不足和分割效率低等问题。针对该问题,对UNet网络进行改进,提出一种基于多尺度特征提取的U型网络(Multi-scale feature extraction based on UNet, MF-UNet)。该算法在编码和解码部分构建反卷...现有的视网膜血管分割算法存在特征提取能力不足和分割效率低等问题。针对该问题,对UNet网络进行改进,提出一种基于多尺度特征提取的U型网络(Multi-scale feature extraction based on UNet, MF-UNet)。该算法在编码和解码部分构建反卷积分割模块替代传统卷积块,使网络保留更多的血管细节信息。之后,在编码和解码中间连接部引入混合池化(Mix Pooling Moudle, MPM)和模板卷积(Template convolution, TConv),提升网络对多尺度特征的提取能力,从而提升血管的分割质量和分割效率。在两个眼底数据库DRIVE和STARE上进行实验验证,结果表明,MF-UNet算法在准确性、灵敏度、特异性和AUC表现优异,更优于UNet与其他视网膜血管分割算法。展开更多
