双编码特征过滤泛化注意力UNET视网膜血管分割（英文）

摘要

视网膜血管的形态与功能改变对临床中眼部及心血管疾病的诊断具有重要指导意义.依靠人工观察和经验判断眼底图像中视网膜血管状态不仅效率低下且主观性强，因此智能视网膜血管分割技术应运而生.随着深度学习技术不断发展，深度神经网络模型显著提高了视网膜血管的分割性能，但该领域依旧面临着有限的训练数据、数据分布不平衡和特征提取不充分等问题，阻碍了分割性能和模型泛化能力的提升.为了解决这些关键问题，本文提出了DEFFA-Unet，其通过增加专用编码器来处理域不变的预处理输入，以增强特征编码的深度和模型的泛化能力.开发了一个特征过滤融合模块，以确保精确的特征过滤和稳定的特征融合.针对高精度、低误诊率要求的临床应用场景，传统的跳跃连接被替换为注意力引导的特征重构融合模块.此外，本文提出了一种基于目标特征相似性的独特平衡方法 JESB，以应对数据分布不平衡的问题；并提出了一种创新的数据增强技术SOTA-CSA，以解决数据限制和跨域问题.实验在4个基准数据集（DRIVE、CHASEDB1、STARE和HRF）和一个SLO数据集（IOSTAR）上进行，采用全面的评估指标进行验证.实验结果表明了DEFFA-Unet相较于基线模型和最先进模型的优越性.

关键词

血管分割 / 数据平衡 / 数据增强 / 双编码器 / 注意力机制 / 模型泛化