研究论文

DUNet公司：：视网膜血管分割的可变形网络

作者:

乐轶群世界环境学会，以及

跑苏作者信息和声明

体积178,发行C类

页149-162

https://doi.org/10.1016/j.knosys.2019.04.025

出版:2019年8月15日出版历史

摘要

眼底图像中视网膜血管的自动分割在糖尿病、高血压等疾病的诊断中起着重要作用。本文提出了一种端到端的视网膜血管分割方法——可变形U-Net（Deformable U-Net，DUNet），该方法利用了视网膜血管的局部特征和U形结构。受最近引入的可变形卷积网络的启发，我们将可变形卷缩集成到所提出的网络中。DUNet采用上采样算子来提高输出分辨率，旨在通过将低层特征与高层特征相结合来提取上下文信息并实现精确定位。此外，DUNet通过根据血管的大小和形状自适应调整感受野，捕获不同形状和尺度的视网膜血管。公共数据集：DRIVE、STARE、CHASE_DB1和HRF用于测试我们的模型。在我们的研究中，将所提出的网络与变形神经网络U-Net进行了详细的比较。结果表明，DUNet可以提取更详细的血管，并且在DRIVE、STARE、CHASE_DB1和HRF上显示出最先进的视网膜血管分割性能，全局精度分别为0.9566/0.9641/0.9610/0.95651和AUC分别为0.9802/0.9832/0.9804/0.9831。此外，为了展示DUNet的泛化能力，我们使用另外两个视网膜血管数据集，即WIDE和SYSTEM，对其进行定性和定量分析，并与其他方法进行比较。广泛的交叉训练评估用于进一步评估DUNet的可扩展性。该方法具有应用于疾病早期诊断的潜力。

集锦

•

建立了一种用于视网膜血管自动分割的深度神经网络（DUNet）。

•

DUNet利用U型结构的视网膜血管特征。

•

DUNet根据血管的规模和形状自适应捕获视网膜血管。

•

DUNet比变形神经网络和U-Net提取更详细的血管。

•

许多方法之间的比较显示了竞争性能和通用性。

工具书类

[1]

Smart T.J.、Richards C.J.、Bhatnagar R.、Pavesio C.、Agrawal R.、Jones P.H.，《使用光学镊子对糖尿病视网膜病变中红细胞变形能力的研究》，《光学捕获和光学微操作XII》，第9548卷，国际光学和光子学会，2015年。

[2]

T.Laibacher，T.Weyde，S.Jalali，M2U-Net:针对资源受限环境的高效视网膜血管分割，2018年，arXiv预印本arXiv:1811.07738号.

[3]

Irshad S.，Akram M.，检测高血压视网膜病的视网膜血管动脉和静脉分类，收录于：生物医学工程会议，CIBEC，2014开罗国际，IEEE，2014，第133-136页。

[4]

张志勇、郑毅、徐伟、李M.L.、刘庆鹏、米切尔P.、王建杰、克莱恩R.、王天勇、视网膜血管扭曲、血压和心血管危险因素，眼科118 (5) (2011) 812–818.

[5]

Azzopardi G.，Strisciuglio N.，Vento M.，Petkov N.，用于视网膜图像的血管描绘的可训练COSFIRE滤波器，医学图像分析。19 (1) (2015) 46–57.

[6]

Tan J.H.，Acharya U.R.，Chua K.C.，Cheng C.，Laude A.，视网膜血管自动提取，医学物理。43 (5) (2016) 2311–2322.

[7]

徐磊，罗S.，视网膜图像血管检测的新方法，生物识别。工程在线9 (1) (2010) 14,.

[8]

Z.Han，Y.Yin，X.Meng，G.Yang，X.Yan，病理性视网膜图像中的血管分割，收录于：IEEE国际数据挖掘研讨会，2014年，第960–967页。

[9]

Ronneberger O.，Fischer P.，Brox T.，U-Net:生物医学图像分割的卷积网络，in：医学图像计算和计算机辅助干预国际会议，施普林格，2015年，第234–241页。

[10]

M.Z.Alom，M.Hasan，C.Yakopcic，T.M.Taha，V.K.Asari，基于U-Net（R2U-Net）的递归残差卷积神经网络用于医学图像分割，2018，arXiv预打印arXiv公司：1802.06955.

[11]

J.Dai，H.Qi，Y.Xiong，Y.Li，G.Zhang，H.Hu，Y.Wei，可变形卷积网络，摘自：2017年国际计算机视觉会议，第764-773页。

[12]

Zana F.，Klein J.，使用数学形态学和曲率评估分割类容器图案，IEEE传输。图像处理。10 (7) (2001) 1010–1019.

数字图书馆

[13]

Chanwimaluang T.，Fan G.，使用局部熵阈值的视网膜图像有效血管检测算法，电路与系统国际研讨会论文集，2003年。ISCAS’03，第5卷，2003年，第V–21页，。

[14]

M.M.Fraz，S.A.Barman，P.Remagnino，A.Hoppe，A.Basit，B.Uyyanonvara，A.R.Rudnicka，C.G.Owen，《使用位平面和中心线检测定位视网膜血管的方法》，计算机。方法生物识别程序。108 (2) 600–616.

[15]

Martinez-Perez M.，Hughes S.，Bharath A.，Parker K.，无红和荧光素视网膜图像血管分割，医学图像分析。11 (1) (2007) 47–61.

[16]

Niemeijer M.，Staal J.，van Ginneken B.，Loog M.，Abramoff M.D.，新公开数据库上视网膜血管分割方法的比较研究，收录于：医学成像2004：图像处理，第5370卷《国际光学与光子学学会》，2004年，第648–657页。

[17]

Zhang L.，Fisher M.，Wang W.，使用从关键点导出的多尺度纹理进行视网膜血管分割，计算。医学成像图。45 (2015) 47–56.

[18]

Siva Sundhara Raja D.，Sivamurugesan V.，糖尿病视网膜病诊断视网膜图像中血管的自动检测，计算。数学。方法医学。2015 (2015),.

[19]

Hassan G.，El-Bendary N.，Hassanien A.E.，Fahmy A.，Shoeb A.M.，Snasel V.，基于数学形态学的视网膜血管分割方法，Procedia计算。科学。65 (2015) 612–622.

[20]

Oliveira W.S.，Teixeira J.V.，Ren T.I.，Cavalcanti G.D.，Sijbers J.，使用组合过滤器的无监督视网膜血管分割，公共科学图书馆一号11 (2) (2016).

[21]

Jouandeau N.，Yan Z.，Greussay P.，Zou B.，Xiang Y.，基于自适应随机抽样的视网膜血管分割，医学生物学杂志。3 (3) (2014) 199–202.

[22]

Garg S.、Sivaswamy J.、Chandra S.，基于无监督曲率的视网膜血管分割，收录于：IEEE生物医学成像国际研讨会：从纳米到宏观IEEE，2007年，第344-347页。

[23]

Zardadi M.、Mehrshad N.、Razavi S.M.，使用人类视觉系统线检测模型对视网膜血管进行无监督分割，J.信息系统。电信通信。4 (2016) 125–133,.

[24]

颜忠，杨欣，蒂姆·程国泰，视网膜血管精确分割的三阶段深度学习模型，IEEE J.生物医学。健康信息。PP（2018）2168–2194，。

[25]

Hamamoto Y.、Uchimura S.、Watanabe M.、Yasuda T.、Mitani Y.、Tomita S.，一种基于gabor滤波器的手写数字识别方法，模式识别。31 (4) (1998) 395–400.

[26]

V.Nguyen，M.Blumenstein，《2D高斯滤波器在离线签名验证中增强特征提取的应用》，收录于：《文件分析与识别国际会议》，2011年，第339-343页。

[27]

Staal J.、Abrámoff M.D.、Niemeijer M.、Viergever M.A.、Van Ginneken B.，视网膜彩色图像中基于脊线的血管分割，IEEE传输。医学影像学23 (4) (2004) 501–509.

[28]

Ricci E.，Perfetti R.，使用线操作符和支持向量分类进行视网膜血管分割，IEEE传输。医学影像学26 (10) (2007) 1357–1365.

[29]

You X.，Peng Q.，Yuan Y.，Cheung Y.M.，Lei J.，使用径向投影和半监督方法分割视网膜血管，模式识别。44 (10) (2011) 2314–2324.

数字图书馆

[30]

Sinthanayothin C.、Boyce J.F.、Cook H.L.、Williamson T.H.，数字彩色眼底图像中视盘、中央凹和视网膜血管的自动定位，英国眼科杂志。83 (8) (1999) 902.

[31]

Li X.、Wang L.、Sung E.、AdaBoost和基于SVM的组件分类器，工程应用。Artif公司。智力。21 (5) (2008) 785–795.

[32]

Aslani S.，Sarnel H.，一种基于稳健混合特征的监督视网膜血管分割新方法，生物识别。信号处理。控制30 (2016) 1–12.

[33]

Marin D.，Aquino A.，Gegundezarias M.E.，Bravo J.M.，利用基于灰度和不变矩的特征在视网膜图像中进行血管分割的新监督方法，IEEE传输。医学影像学30 (1) (2011) 146–158.

[34]

H.A.Song，S.Y.Lee，使用NMF的层次表示，摘自：2013年神经信息处理国际会议，第466–473页。

[35]

王S.，尹毅，曹刚，魏斌，郑毅，杨刚，基于特征和集成学习的视网膜血管分层分割，神经计算149 (2015) 708–717.

[36]

H.Fu，Y.Xu，D.W.K.Wong，J.Liu，通过深度学习网络和全连接条件随机场进行视网膜血管分割，收录于：IEEE生物医学成像国际研讨会，2016年，第698-701页。

[37]

D.Maji，A.Santara，P.Mitra，D.Sheet，学习检测眼底图像中视网膜血管的深卷积神经网络集成，2016，arXiv预印本arXiv:1603.04833.

[38]

姜平，窦强，胡欣，基于嵌入式学习和分类的视网膜图像血管分割监督方法，J.智力。模糊系统29 (5) (2015) 2305–2315.

[39]

M.Z.C.Azemin，F.A.Hamid，M.I.B.M.Tamrin，A.H.M.Amin，使用更广泛的老化数据集基于神经网络的监管视网膜血管分割，见：IWBBIO，2014年，第1235-1242页。

[40]

Liskowski P.，Krawiec K.，用深层神经网络分割视网膜血管，IEEE传输。医学影像学35 (11) (2016) 2369–2380.

[41]

H.Fu，Y.Xu，S.Lin，D.W.K.Wong，J.Liu，《深血管：通过深度学习和条件随机场进行视网膜血管分割》，载于：《医学图像计算和计算机辅助干预国际会议》，2016年，第132-139页。

[42]

Tan J.H.、Fujita H.、Sivaprasad S.、Bhandary S.V.、Rao A.K.、Chua K.C.、Acharya U.R.，使用单卷积神经网络自动分割渗出物、出血、微动脉瘤，通知。科学。420 (2017) 66–76.

[43]

Tan J.H.，Acharya U.R.，Bhandary S.V.，Chua K.C.，Sivaprasad S.，使用单个卷积神经网络分割视盘、中央凹和视网膜血管系统，J.计算。科学。20 (2017) 70–79.

[44]

徐凯，冯德，米海，基于深卷积神经网络的糖尿病视网膜病变眼底图像早期自动检测，分子22 (12) (2017) 2054.

[45]

Dasgupta A.，Singh S.，一种基于完全卷积神经网络的结构化预测方法，用于视网膜血管分割，in：国际生物医学成像研讨会IEEE，2017年，第248-251页。

[46]

Staal J.、Abrámoff M.D.、Niemeijer M.、Viergever M.A.、Van Ginneken B.，视网膜彩色图像中基于脊线的血管分割，IEEE传输。医学影像学23 (4) (2004) 501–509.

[47]

Hoover A.，Kouznetsova V.，Goldbaum M.，通过匹配滤波器响应的分段阈值探测定位视网膜图像中的血管，IEEE传输。医学影像学19 (3) (2002) 203–210.

[48]

Owen C.G.、Rudnicka A.R.、Mullen R.、Barman S.A.、Monekosso D.、Whincup P.H.、Ng J.、Paterson C.，《测量10岁儿童的视网膜血管扭曲度：视网膜计算机辅助图像分析（CAIAR）程序的验证》，投资。眼科。视觉。科学。50 (5) (2009) 2004–2010.

[49]

Budai A.、Bock R.、Maier A.、Horneger J.、Michelson G.，眼底图像中的稳健血管分割，国际生物医学杂志。成像2013 (6) (2013) 1–11,.

[50]

Orlando J.I.，Prokofyeva E.，del Fresno M.，Blaschko M.B.，用于自动青光眼识别的卷积神经网络传输，第12届国际医学信息处理与分析研讨会，第10160卷，国际光学与光子学学会，2017年，第101600U页，。

[51]

Soares J.V.、Leandro J.J.、Cesar R.M.、Jelinek H.F.、Cree M.J.，使用二维Gabor小波和监督分类进行视网膜血管分割，IEEE传输。医学影像学25 (9) (2006) 1214–1222.

[52]

Pizer S.M.，Amburn E.P.，Austin J.D.，Cromartie R.，Geselowitz A.，Greer T.，ter Haar Romeny B.，Zimmerman J.B.，Zuiderveld K.，自适应直方图均衡化及其变化，计算。视觉。图表。图像处理。39 (3) (1987) 355–368.

数字图书馆

[53]

Orlando J.I.，Prokofyeva E.，Blaschko M.B.，一种用于眼底图像血管分割的经过区分训练的全连通条件随机场模型，IEEE传输。生物识别。工程师。64 (1) (2017) 16–27.

[54]

S.Ioffe，C.Szegedy，《批量规范化：通过减少内部协变量转移来加速深层网络培训》，载《机器学习国际会议》，2015年，第448–456页。

[55]

Freeman W.T.，Adelson E.H.，可操纵过滤器的设计和使用，IEEE传输。模式分析。机器。智力。13 (9) (1991) 891–906.

数字图书馆

[56]

Frangi A.F.、Niessen W.J.、Vincen K.L.、Viergever M.A.、。，Muliscale血管增强过滤，摘自：《医学图像计算和计算机辅助干预国际会议》，第1496卷，1998年，第130–137页。

[57]

Sasaki Y.，F测量的真相，教。导师Mater。(2007).

[58]

Jaccard P.，《高山地区植物区系的分布》，新植物醇。11 (2) (2010) 37–50.

[59]

A.Paszke、S.Gross、S.Chintala、G.Chanan、E.Yang、Z.DeVito、Z.Lin、A.Desmaison、L.Antiga、A.Lerer，《PyTorch中的自动区分》，NIPS-W，2017年。

[60]

李强，冯斌，谢丽萍，梁平，张海，王涛，视网膜图像血管分割的跨模态学习方法，IEEE传输。医学影像学35 (1) (2015) 109–118.

[61]

Roychowdhury S.，Koozekanani D.D.，Parhi K.K.，通过主血管提取和子图像分类对眼底图像进行血管分割，IEEE J.生物医学。健康信息。19 (3) (2017) 1118–1128.

[62]

Y.Chen，一种无标签的方法来监督视网膜血管分割的深层神经网络，2017年，arXiv预印本arXiv:1704.07502.

[63]

Yan Z.，Yang X.，Cheng K.，基于深度学习的视网膜血管分割的联合节段级和像素级损失，IEEE传输。生物识别。工程师。65 (9) (2018) 1912–1923.

[64]

Odstrcilik J.、Kolar R.、Budai A.、Horneger J.、Jan J.、Gazarek J.，Kubena T.、Cernosek P.、Svoboda O.、Angelopoulou E.，通过改进的匹配滤波进行视网膜血管分割：对新的高分辨率眼底图像数据库的评估，IET图像处理。7 (4) (2013) 373–383.

[65]

Zhang J.，Dashtbozorg B.，Bekkers E.J.E.，Pluim J.P.W.，Duits R.R.，Romeny B.M.T.H.，通过定向得分中的局部自适应导数框架进行稳健的视网膜血管分割，IEEE传输。医学影像学35 (12) (2016) 2631–2644.

[66]

Estrada R.，Tomasi C.，Schmidler S.C.，Farsiu S.，树拓扑估计，IEEE传输。模式分析。机器。智力。37 (8) (2015) 1688–1701.

数字图书馆

[67]

赵海，李海，Maurerstroh S.，Cheng L.，利用生成性对抗网络合成视网膜和神经元图像，医学图像分析。49 (2018) 14–26.

[68]

Muhammad Moazam F.、Paolo R.、Andreas H.、Bunyarit U.、Rudnicka A.R.、Owen C.G.、Barman S.A.，应用于视网膜血管分割的基于集合分类的方法，IEEE传输。生物识别。工程师。59 (9) (2012) 2538–2548.

引用人

邱Z胡毅陈X曾德胡Q刘杰(2024)医学图像分割中双流超分辨率语义学习的再思考IEEE模式分析和机器智能汇刊10.1109/TPAMI.2023.332273546:1(451-464)在线发布日期：2024年1月1日
https://dl.acm.org/doi/10.1109/TPAMI.2023.3322735
陈B牛T张瑞张H林Y李B(2024)特征匹配驱动的背景泛化神经网络在表面缺陷分割中的应用基于知识的系统2016年10月10日/j.knosys.2024.111451287：C在线发布日期：2024年3月5日
https://dl.acm.org/doi/10.1016/j.knosys.2024.111451
棕褐色Y杨克（Yang K）赵S王杰刘莉（Liu L）李毅(2024)视网膜血管分割的深度匹配滤波基于知识的系统2016年10月10日/j.knosys.2023.111185283：C在线发布日期：2024年1月11日
https://dl.acm.org/doi/10.1016/j.knosys.2023.111185
显示更多引用者

索引术语

DUNet：用于视网膜血管分割的可变形网络
1. 应用计算
  1. 生命与医学
2. 计算方法
  1. 人工智能
    1. 计算机视觉
      1. 计算机视觉问题
        图像分割
        目标检测
  2. 机器学习
    1. 机器学习方法
      1. 神经网络

索引项已通过自动分类分配给内容。

建议

非压缩属性滤波在眼底图像视网膜血管提取中的应用

视网膜血管可以通过检查其病理变化来提供有关异常或疾病的信息。一种异常是糖尿病视网膜病变，其特征是糖尿病引起的视网膜血管紊乱。目前。。。
阅读更多信息
彩色眼底图像视网膜血管分割的多维级联神经网络模型
摘要
近年来，深度学习作为提高不同领域（包括医学图像分析、模式识别和分类）性能的最流行方法之一受到了关注。糖尿病视网膜病变越来越。。。
阅读更多信息
基于广义极值概率分布函数（pdf）的匹配滤波器视网膜血管分割方法
摘要
视网膜血管的分割对检测血管以诊断高血压、糖尿病和青光眼等疾病具有挑战性。视网膜血管血液分割文献表明，各种匹配滤波方法是一种低调的方法。。。
阅读更多信息

评论

信息和贡献者

问询处

发布于

封面图片基于知识的系统

基于知识的系统第178卷C期

2019年8月

176页

国际标准编号：0950-7051

爱思唯尔有限公司。

出版商

爱思唯尔科学出版社。

荷兰

出版历史

出版：2019年8月15日

作者标记

限定符

研究文章

贡献者

其他指标

查看文章指标

文献计量学和引文

文献计量学

文章指标

88
引文总数
查看引文
0
下载总量

下载次数（过去12个月）0
下载次数（最近6周）0

其他指标

查看作者指标

引文

引用人

邱Z胡毅陈X曾德胡Q刘杰(2024)医学图像分割中双流超分辨率语义学习的再思考IEEE模式分析和机器智能汇刊10.1109/TPAMI.2023.332273546:1(451-464)在线发布日期：2024年1月1日
https://dl.acm.org/doi/10.1109/TPAMI.2023.3322735
陈B牛T张瑞张H林Y李B(2024)特征匹配驱动的背景泛化神经网络在表面缺陷分割中的应用基于知识的系统2016年10月10日/j.knosys.2024.111451287：C在线发布日期：2024年3月5日
https://dl.acm.org/doi/10.1016/j.knosys.2024.111451
棕褐色Y杨克（Yang K）赵S王杰刘莉（Liu L）李毅(2024)视网膜血管分割的深度匹配滤波基于知识的系统2016年10月10日/j.knosys.2023.111185283：C在线发布日期：2024年1月11日
https://dl.acm.org/doi/10.1016/j.knosys.2023.111185
刘浩杨杰（Yang J）王S孔H陈Q张H(2024)学习用谱变换器分割复杂的类血管结构▪应用专家系统：国际期刊2016年10月10日/j.eswa.2023.122851243：C在线发布日期：2024年6月25日
https://dl.acm.org/doi/10.1016/j.eswa.2023.12851
秦Q陈毅(2024)视网膜血管分割在眼底图像分析中的应用综述人工智能的工程应用2016年10月10日/j.engappai.2023.107454128：C在线发布日期：2024年3月14日
https://dl.acm.org/doi/10.1016/j.engappai.2023.107454
马Z李X(2024)一种改进的基于监督和注意机制的U-Net视网膜血管分割算法生物学和医学中的计算机2016年10月10日/j.compbiomed.2023.107770168：C在线发布日期：2024年4月12日
https://dl.acm.org/doi/10.1016/j.compbiomed.2023.107770
钱L文C李毅胡Z周X夏X金·S(2024)用于医学图像分割的具有重新设计跳跃连接的多尺度上下文类网络生物医学中的计算机方法和程序2016年10月10日/j.cmpb.2023.107885243：C在线发布日期：2024年3月4日
https://dl.acm.org/doi/10.1016/j.cmpb.2023.107885
张Y汉Z刘莉（Liu L）王S(2024)双A网络生物医学中的计算机方法和程序10.1016/j.cmpb.2023.107877243：C在线发布日期：2024年3月4日
https://dl.acm.org/doi/10.1016/j.cmpb.2023.107877
卡尔·M纳特·M(2024)利用多通道生成对抗网络同时有效分割血管和椎间盘SN计算机科学10.1007/s42979-024-02610-05:3在线发布日期：2024年2月24日
https://dl.acm.org/doi/10.1007/s42979-024-02610-0
辛格L卡纳·M托克S辛格R(2024)基于深度学习的视网膜眼底图像血管有效自动分割系统多媒体工具和应用程序2007年10月10日/11042-023-15348-383:2(6005-6049)在线发布日期：2024年1月1日
https://dl.acm.org/doi/10.1007/s11042-023-15348-3
显示更多引用者

视图选项

查看选项

获取访问权限

登录选项

检查您是否可以通过登录凭据或您的机构访问本文。

完全访问权限

获取此出版物

媒体

数字

其他

桌子

查看问题目录