针对眼底图像中存在大量不规则、噪声干扰严重、边界模糊、分割难度较大的细小血管的问题,提出一种基于多方向特征和连通性检测的眼底图像分割方法MDF_Net&CD(Multi-Directional Features neural Network and Connectivity Detecti...针对眼底图像中存在大量不规则、噪声干扰严重、边界模糊、分割难度较大的细小血管的问题,提出一种基于多方向特征和连通性检测的眼底图像分割方法MDF_Net&CD(Multi-Directional Features neural Network and Connectivity Detection)。设计了一个以像素点不同方向特征向量为输入的深度神经网络模型MDF_Net(Multi-Directional Features neural Network),利用MDF_Net对眼底图像进行初步分割;提出连通性检测算法,根据血管的几何特征,对MDF_Net的初步分割结果进一步修订。在公开的眼底图像数据集上,将MDF_Net&CD与近期有代表性的分割方法进行实验对比,结果表明MDF_Net&CD各项评估指标均衡,敏感度,F1值和准确率优于其他方法。该方法能有效捕捉像素点的细节特征,对不规则、噪声干扰严重、边界模糊的细小血管有较好分割效果。展开更多
文摘针对眼底图像中存在大量不规则、噪声干扰严重、边界模糊、分割难度较大的细小血管的问题,提出一种基于多方向特征和连通性检测的眼底图像分割方法MDF_Net&CD(Multi-Directional Features neural Network and Connectivity Detection)。设计了一个以像素点不同方向特征向量为输入的深度神经网络模型MDF_Net(Multi-Directional Features neural Network),利用MDF_Net对眼底图像进行初步分割;提出连通性检测算法,根据血管的几何特征,对MDF_Net的初步分割结果进一步修订。在公开的眼底图像数据集上,将MDF_Net&CD与近期有代表性的分割方法进行实验对比,结果表明MDF_Net&CD各项评估指标均衡,敏感度,F1值和准确率优于其他方法。该方法能有效捕捉像素点的细节特征,对不规则、噪声干扰严重、边界模糊的细小血管有较好分割效果。
