基于无监督域自适应和Transformer的视网膜图像语义分割

摘要

针对视网膜图像背景复杂、血管结构变化显著、边缘信息丢失导致语义分割困难的问题，提出一种改进的Transformer-无监督域自适应(TUDA)方法.首先，模型由改进的Transformer编码器和上下文感知特征融合的解码器组成，编码器部分通过融合局部信息，有效处理视网膜图像中不同位置之间的复杂交互.其次，为了减少域间隙，在源域和目标域之间引入中间域，并采用双教师网络交替训练.最后，通过引入高分辨率网络(HRNet)产生高分辨率特征，从而保留更多的视网膜图像边缘信息.与常用的医疗图像语义分割方法相比，所提方法在CHASE＿DB1和DRIVE数据集上交并比达到65.36%和69.79%,灵敏度为82.51%和85.56%,具有较好的分割效果.

关键词

语义分割 / 中间域 / 无监督域自适应 / 医学图像

基金资助

国家自然科学基金青年科学基金项目(6200050273)