白杰，張 賽，李艷萍

（太原理工大學(xué)信息與計(jì)算機(jī)學(xué)院，太原 030600）

0 概述

糖尿病視網(wǎng)膜病變（Diabetic Retinopathy，DR）作為糖尿?。―iabetes Mellitus，DM）的主要并發(fā)癥會(huì)導(dǎo)致患者視力下降甚至失明［1］。DM 患者通過定期就醫(yī)及時(shí)排查是否出現(xiàn)視網(wǎng)膜病變，從而降低失明風(fēng)險(xiǎn)［2］。硬性滲出物（Hard Exudate，HE）作為DR 早期特征是由于血管壁受損后大分子物質(zhì)（脂質(zhì)和蛋白質(zhì)）從視網(wǎng)膜血管滲透到眼球所引起，表現(xiàn)為淡黃色或白色塊狀和點(diǎn)狀突出物，其形狀、大小、位置呈多樣化，隨機(jī)性較強(qiáng)［3］。在臨床診斷中眼底HE 檢測(cè)結(jié)果是DR 診斷以及監(jiān)測(cè)治療過程中的重要參考［4-5］。

目前，眼底HE 臨床檢測(cè)主要依賴專業(yè)眼科醫(yī)生手動(dòng)診斷，不僅耗時(shí)費(fèi)力，而且要求較先進(jìn)的醫(yī)療設(shè)備和專業(yè)水平較高的臨床醫(yī)生。然而，眼底HE 臨床檢測(cè)受DM 患者數(shù)量龐大、各地醫(yī)療水平不一的限制，難免發(fā)生漏診和誤診［6-7］。因此，結(jié)合計(jì)算機(jī)與圖像處理技術(shù)的眼底HE 自動(dòng)分割系統(tǒng)應(yīng)運(yùn)而生［8-9］。主流眼底HE 檢測(cè)算法分為基于閾值、區(qū)域增長(zhǎng)檢測(cè)算法，基于數(shù)學(xué)形態(tài)學(xué)技術(shù)和基于機(jī)器學(xué)習(xí)、深度學(xué)習(xí)檢測(cè)算法?；陂撝?、區(qū)域增長(zhǎng)檢測(cè)算法利用眼底圖像不同區(qū)域之間的顏色強(qiáng)度變化以及鄰域特征差異辨別異常病變。例如，文獻(xiàn)［10］利用動(dòng)態(tài)決策閾值法尋找暗邊及亮邊，有效分割HE 等病灶特征。文獻(xiàn)［11］通過提取的眼底特征對(duì)糖尿病和正常黃斑水腫進(jìn)行分類，并在黃斑區(qū)標(biāo)記基礎(chǔ)上進(jìn)行HE 檢測(cè)，以區(qū)分DR 和正常視網(wǎng)膜眼底圖像。基于數(shù)學(xué)形態(tài)學(xué)技術(shù)是采用具有不同元素結(jié)構(gòu)的數(shù)學(xué)算子識(shí)別病灶邊界。例如，文獻(xiàn)［12］使用灰度形態(tài)學(xué)和活動(dòng)輪廓技術(shù)檢測(cè)滲出物及提取眼底HE 精確邊界?；跈C(jī)器學(xué)習(xí)、深度學(xué)習(xí)檢測(cè)算法利用隨機(jī)森林、集成分類器、深度神經(jīng)網(wǎng)絡(luò)等對(duì)病灶特征進(jìn)行多類分割和定位。文獻(xiàn)［13］結(jié)合自適應(yīng)閾值及隨機(jī)森林算法識(shí)別滲出物病灶特征，并對(duì)其進(jìn)行分割。文 獻(xiàn)［14］采用預(yù)訓(xùn)練Inception-v3、ResNet-50 和VGG-19 網(wǎng)絡(luò)模型檢測(cè)HE，將模型提取的特征相融合，再由softmax 進(jìn)一步分類得到最終決策結(jié)果。

由于眼底圖像中硬性滲出物分布不均勻且與圖像背景的對(duì)比度較低，因此現(xiàn)有的分割算法難以準(zhǔn)確實(shí)現(xiàn)硬性滲出物的分割。本文提出一種將改進(jìn)交錯(cuò)組卷積（Interleaved Group Convolution，IGC）與雙重注意力機(jī)制相融合的眼底HE 自動(dòng)分割模型。采用改進(jìn)的IGC 模塊提取病灶特征，通過位置注意力模塊聯(lián)系局部上下文信息，同時(shí)利用通道注意力模塊確定各特征通道的權(quán)重，提升重要特征的可識(shí)別性。

1 本文算法

1.1 交錯(cuò)組卷積

在參數(shù)量相同的情況下，IGC 比常規(guī)卷積網(wǎng)絡(luò)寬度更寬，有助于每層網(wǎng)絡(luò)提取更加豐富的特征。此外，IGC 利用深度融合使得不同分支網(wǎng)絡(luò)在中間層進(jìn)行融合，并削減卷積冗余單元，提升模型特征融合能力。不同特征融合方法［15］對(duì)比如圖1 所示。

圖1 不同特征融合方法對(duì)比Fig.1 Comparison among different feature fusion methods

交錯(cuò)組卷積過程如圖2 所示。交錯(cuò)組卷積包括首次組卷積和第二次組卷積。在第二次組卷積中每組輸入通道均來自首次組卷積中不同的組，以達(dá)到交錯(cuò)互補(bǔ)的目的。

圖2 交錯(cuò)組卷積過程Fig.2 Interleaved group convolution process

IGC 主要卷積操作如式（1）所示：

其中：[y1,y2,…,yL]T為首次組卷積；為一個(gè)M×(M×S)的矩陣對(duì)應(yīng)L分區(qū)的卷積核，L表示首次組卷積分組數(shù)量以及第二次組卷積每個(gè)分組內(nèi)包含的通道數(shù)，M表示首次組卷積中每個(gè)分組內(nèi)包含的通道數(shù)以及第二次組卷積分組數(shù)量，S為卷積核對(duì)應(yīng)的響應(yīng)；zL是(M×S)維向量為首次組卷積輸入。第二次組卷積是將首次組卷積輸出通道混合后，再分為M個(gè)2 次分區(qū)，每個(gè)分區(qū)由L個(gè)通道組成，使同一級(jí)或同二級(jí)分區(qū)通道來自不同級(jí)分區(qū)，即第m個(gè)二次分區(qū)是由每個(gè)首次分區(qū)第m個(gè)輸出通道組成，其表達(dá)如式（2）所示：

其中：G=M×L為IGC 模塊寬度。對(duì)于相同卷積核S和輸入輸出寬度C的常規(guī)卷積參數(shù)量如式（6）所示：

由于S=3×3，因此當(dāng)L>1 時(shí)，存在G>C。IGC模塊比常規(guī)卷積更寬（除首次組卷積中L=1 以外）。

為了使IGC 模塊有效提取眼底HE 病灶特征，本文對(duì)原IGC 模塊進(jìn)行改進(jìn)，首先增加殘差連接用于增強(qiáng)梯度傳播，減輕網(wǎng)絡(luò)退化，其次為防止ReLu 激活函數(shù)提取低維度信息時(shí)濾除部分有效信息，在低維特征獲取階段使用ReLu6 激活函數(shù)。改進(jìn)的IGC模塊相比原模塊能夠更完整地提取眼底病變特征，提高對(duì)病灶區(qū)域的定位分割效果。改進(jìn)的IGC 模塊如圖3 所示。

圖3 改進(jìn)的交錯(cuò)組卷積模塊Fig.3 Improved interleaved group convolution module

1.2 位置注意力模塊

傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)經(jīng)過多層卷積處理后，感受野被限制在狹小局部空間。為克服局限性，本文引入可聯(lián)系上下局部特征的位置注意力模塊，將更廣泛的上下文信息編碼為局部特征，增強(qiáng)模型表達(dá)能力。傳統(tǒng)卷積網(wǎng)絡(luò)與引入位置注意力機(jī)制卷積網(wǎng)絡(luò)的感受野［16］示意圖如圖4 所示。

圖4 傳統(tǒng)卷積網(wǎng)絡(luò)與引入位置注意力機(jī)制卷積網(wǎng)絡(luò)的感受野示意圖Fig.4 Schematic diagram of the receptive field of traditional convolutional network and convolutional network with position attention mechanism

位置注意力模塊可以捕獲特征圖中任意兩個(gè)位置之間的空間依賴關(guān)系，對(duì)于單一特定特征，利用全局位置特征對(duì)其加權(quán)及更新，本文使用的位置注意力模塊如圖5 所示。

圖5 位置注意力模塊結(jié)構(gòu)Fig.5 Structure of position attention module

位置注意力模塊給定局部特征A?RC×H×W，通道數(shù)為C，長(zhǎng)寬分別為H、W，將局部特征引入到卷積層后生成新的特征映射B、C，且滿足（B，C）?RC×H×W，F(xiàn)X為三維特征圖經(jīng)X層卷積壓縮后的二維特征圖，且滿足FX?RN×C，其中N=H×W。同理，F(xiàn)Y、FZ分別為當(dāng)前特征圖經(jīng)Y、Z層卷積后得到，此后，F(xiàn)X特征矩陣與FY特征矩陣相乘，經(jīng)softmax 層處理得到位置注意力權(quán)重圖K，且滿足K?RN×N，如式（8）所示：

其中：kji為位置注意力特征權(quán)重圖中i與j的關(guān)聯(lián)度。特征A生成的特征映射為D?RC×H×W后轉(zhuǎn)換為D?RC×N，然后將D的轉(zhuǎn)置矩陣與K的轉(zhuǎn)置矩陣相乘且滿足RC×H×W，引入比例參數(shù)β，并對(duì)特征A執(zhí)行元素求和，獲得最終輸出滿足E?RC×H×W，如式（9）所示：

其中：β從0 逐漸增加權(quán)重；Ej為所有位置特征和原始特征的加權(quán)和，具有全局上下文視圖，根據(jù)空間注意圖選擇性地聚合上下文信息。

1.3 通道注意力模塊

通道注意力［16］機(jī)制旨在顯示不同通道之間的相關(guān)性，根據(jù)每個(gè)特征通道不同重要程度賦予其權(quán)重系數(shù)，從而強(qiáng)化重要特征抑制非重要特征。通道注意力模塊結(jié)構(gòu)如圖6 所示。

圖6 通道注意力模塊結(jié)構(gòu)Fig.6 Structure of channel attention module

通道注意力模塊將特征A?RC×H×W變型為A?RC×N，使A與其轉(zhuǎn)置矩陣相乘，最后經(jīng)softmax 層得到通道注意力特征圖，如式（10）所示：

其中：xji為i與j的通道關(guān)聯(lián)度。X特征矩陣轉(zhuǎn)置與A特征矩陣相乘，得到的結(jié)果滿足RC×H×W，添加標(biāo)度參數(shù)η，其權(quán)重從0 開始學(xué)習(xí)，對(duì)A執(zhí)行元素求和，獲得最終輸出E?RC×H×W，如式（11）所示：

其中：Ej為每個(gè)通道最終特征是所有通道特征和原始特征的加權(quán)和，模擬了特征映射之間長(zhǎng)期語義依賴關(guān)系，驗(yàn)證了通道注意力模塊有助于提高特征的可辨別性。

1.4 U 型網(wǎng)絡(luò)改進(jìn)

由于眼底圖像數(shù)據(jù)量少，語義信息較簡(jiǎn)單，在病灶定位分割中低級(jí)特征和高級(jí)語義信息都極為重要，因此設(shè)計(jì)模型的參數(shù)不適合過大，否則容易導(dǎo)致過擬合現(xiàn)象的發(fā)生。U 型網(wǎng)絡(luò)［17］的編譯碼過程及在同一階段使用跳躍連接，而非在高級(jí)語義特征上進(jìn)行監(jiān)督和損失反傳，使得最終得到的特征圖融合了更多低層次特征，也使得不同層次特征相融合。此外，上采樣使分割圖像恢復(fù)更加精細(xì)的邊緣信息。在眼底HE 檢測(cè)中，為了使模型每一層能夠提取更加豐富的特征以及增強(qiáng)重要病灶特征的可辨別性，本文對(duì)U 型網(wǎng)絡(luò)進(jìn)行優(yōu)化，改進(jìn)后的U 型網(wǎng)絡(luò)整體結(jié)構(gòu)如圖7 所示。

圖7 改進(jìn)的U 型網(wǎng)絡(luò)整體結(jié)構(gòu)Fig.7 Overall structure of improved U-shaped network

從圖7 可以看出，U 型網(wǎng)絡(luò)左半部分為編碼階段，其目的是提取眼底圖像中硬性滲出物多尺度特征，提供分割目標(biāo)在整個(gè)眼底圖像中的上下文語義信息。該部分由4 個(gè)改進(jìn)的IGC 模塊組成，其較寬的網(wǎng)絡(luò)模型利于每一層提取更加豐富的特征，之后添加位置注意力模塊，通過自適應(yīng)將圖像中任意兩個(gè)位置關(guān)聯(lián)，增強(qiáng)模型提取眼底圖像特征能力，捕獲更深層次語義特征信息并過濾掉噪聲等與分類任務(wù)不相關(guān)信息。U 型網(wǎng)絡(luò)右半部分為解碼階段，其目的是將編碼時(shí)提取的眼底圖像特征信息解釋為硬性滲出物的分割結(jié)果圖。該部分由4 個(gè)解碼模塊組成，在融合高維眼底圖像特征與低維眼底圖像特征的短連接處引入通道注意力模塊，目的是通過專注于重要特征提取通道排除無關(guān)特征通道，進(jìn)一步改善模型的分割效果。

1.5 損失函數(shù)

本文將改進(jìn)U 型網(wǎng)絡(luò)作為眼底HE 自動(dòng)分割模型，以改善分割效果。然而眼底圖像中硬性滲出物像素與背景像素?cái)?shù)量相差較大，極度不平衡的類別分布使分割模型更傾向背景像素，從而影響模型的分割性能。此外，常規(guī)損失函數(shù)對(duì)假陽性及假陰性權(quán)重相等，而在眼底圖像分析中降低假陰性是獲得理想分割效果的關(guān)鍵。因此，本文引入Focal Tversky Loss［18］作為損失函數(shù)，以Tversky Loss 損失函數(shù)為基礎(chǔ)且在多個(gè)醫(yī)學(xué)數(shù)據(jù)集上驗(yàn)證其優(yōu)異性。Tversky Loss 損失函數(shù)通過 超參數(shù)α、β控制假陽性和假陰性之間的平衡，如式（12）所示：

其中：pic為預(yù)測(cè)標(biāo)簽中像素i屬于病變類別c的概率為預(yù)測(cè)標(biāo)簽中像素i屬于非病變類別cˉ的概率；gic和分別為真實(shí)標(biāo)簽中像素i屬于病變類別c及非病變類別的概率；δ是常量防止等式分子為零；N為圖像中像素總數(shù)量。包含γ變量的FTL（Focal Tversky Loss）損失函數(shù)能夠解決較小感興趣區(qū)域因損失影響而難以分割的問題，其函數(shù)如式（13）所示：

其中：γ?[1，3]，當(dāng)像素被高Tversky 索引錯(cuò)誤分類時(shí)，F(xiàn)TL 不受影響。如果Tversky 索引很小并且像素被錯(cuò)誤分類時(shí)，F(xiàn)TL 將顯著降低。當(dāng)γ>1 時(shí)，損失函數(shù)集中在被錯(cuò)誤分類以及準(zhǔn)確率低的區(qū)域，本文實(shí)驗(yàn)采用α=0.3，β=0.7，γ=4/3。

2 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)系統(tǒng)配置為Windows 10 操作系統(tǒng)，NVIDIA Tesla K80顯卡，編程基于Tensorflow 和Keras 框架。

2.1 數(shù)據(jù)預(yù)處理

本文分別在公開數(shù)據(jù)集e-Ophtha EX 及DIARETDB1 上進(jìn)行實(shí)驗(yàn)。e-Ophtha EX 數(shù)據(jù)集包含47 張視網(wǎng)膜眼底圖像，圖像大小在1 400×960～2 544×1 696 像素之間，具有像素級(jí)人工標(biāo)定標(biāo)簽。DIARETDB1 數(shù)據(jù)集包含89 張視網(wǎng)膜眼底圖像，分辨率為1 500×1 152 像素，具有圖像級(jí)人工標(biāo)定標(biāo)簽。數(shù)據(jù)集e-Ophtha EX 和DIARETDB1 的視網(wǎng)膜眼底圖像樣例如圖8 所示。

圖8 視網(wǎng)膜眼底圖像樣例Fig.8 Example of retinal fundus images

針對(duì)眼底圖像分辨率不一、對(duì)比度不均勻的問題，本文對(duì)眼底圖像進(jìn)行預(yù)處理，首先圖像大小設(shè)置為1 500×1 152 像素，其次從RGB 眼底圖像中提取綠色通道圖像。本文采用直方圖均衡化增強(qiáng)眼底圖像對(duì)比度，由于位于血管交界處視盤的外形特征與硬性滲出物相似，因此會(huì)干擾模型對(duì)硬性滲出物后續(xù)檢測(cè)。本文采用文獻(xiàn)［19］使用的眼底圖像血管提取方法對(duì)視盤進(jìn)行掩蓋。數(shù)據(jù)集e-Ophtha EX和DIARETDB1 的眼底圖像視盤定位圖如圖9所示。

圖9 眼底圖像視盤定位圖Fig.9 Optic disc position map of fundus images

為避免不平衡數(shù)據(jù)對(duì)病灶分割造成干擾，本文對(duì)訓(xùn)練集中的所有圖像進(jìn)行旋轉(zhuǎn)、平移以及翻轉(zhuǎn)等變換，裁剪出3 000 個(gè)硬性滲出物補(bǔ)丁及3 000 個(gè)眼底背景補(bǔ)丁。所有補(bǔ)丁大小設(shè)置為96×96，多數(shù)傳統(tǒng)研究將補(bǔ)丁大小設(shè)置為32×32 或者更小。由于本文算法融入可捕獲眼底硬性滲出物特征的位置注意力模塊，因此需要將補(bǔ)丁尺寸進(jìn)行適當(dāng)放大。

2.2 實(shí)驗(yàn)設(shè)置

本文實(shí)驗(yàn)使用Adam 算法對(duì)損失函數(shù)進(jìn)行優(yōu)化，迭代次數(shù)為30 次，初始學(xué)習(xí)率設(shè)置為0.001，同時(shí)采用λ=0.001 權(quán)重衰減防止模型過擬合。像素級(jí)評(píng)估算法采用靈敏度（SE）、精確度（PPV）和綜合性能（F-Score）評(píng)估模型性能。圖像級(jí)評(píng)估算法采用靈敏度（SE）、特異性（SP）和準(zhǔn)確性（Acc）評(píng)估模型性能，如式（14）～式（18）所示：

其中：TTP為正確分類的分割物像素；FFN為錯(cuò)誤分類的分割物像素；TTN為正確分類非分割物像素；FFP表示錯(cuò)誤分類為分割物像素的非分割物像素。

2.3 實(shí)驗(yàn)結(jié)果

本文提出硬性滲出物分割模型在數(shù)據(jù)集e-Ophtha EX 上獲得的分割圖像已較為接近眼科專家手動(dòng)標(biāo)注的像素級(jí)標(biāo)簽圖像，但是分割效率遠(yuǎn)高于專家手動(dòng)分割。在數(shù)據(jù)集e-Ophtha EX 上本文模型的分割結(jié)果如圖10 所示。

圖10 在e-Ophtha EX 數(shù)據(jù)集上本文模型的分割結(jié)果Fig.10 Segmentation results of the proposed model on the e-Ophtha EX dataset

2.3.1 與其他模型對(duì)比

在數(shù)據(jù)集e-Ophtha EX 和DIARETDB1 上本文提出的眼底HE 自動(dòng)分割模型與其他模型的評(píng)價(jià)指標(biāo)對(duì)比如表1 所示。

表1 不同模型的評(píng)價(jià)指標(biāo)對(duì)比Table 1 Evaluation indexs comparison among different models %

從表1 可以看出，在e-Ophtha EX 數(shù)據(jù)集上本文模型的SE、PPV 和F-Score 平均性能指標(biāo)分別達(dá)到91.43%、86.49%、87.32%，在DIARETDB1 數(shù)據(jù)集上SE、SP 和Acc 平均性能指標(biāo)分別達(dá)到97.83%、96.16%和97.51%。與其他模型相比，本文模型的評(píng)價(jià)指標(biāo)均屬于最高或次高水平。因此，本文模型整體分割性能優(yōu)于其他模型。

2.3.2 數(shù)據(jù)集不同分配對(duì)分割性能的影響

為驗(yàn)證實(shí)驗(yàn)結(jié)果是否與數(shù)據(jù)集分配方式有關(guān)，本文設(shè)置3組對(duì)比實(shí)驗(yàn)：70%用于訓(xùn)練，30%用于測(cè)試；80%用于訓(xùn)練，20%用于測(cè)試；90%用于訓(xùn)練，10%用于測(cè)試。本文模型在數(shù)據(jù)集不同配比下訓(xùn)練的結(jié)果如表2所示。從表2可以看出，在數(shù)據(jù)集e-Ophtha EX和DIARETDB1上，本文模型在80%用于訓(xùn)練分割模型和20%用于驗(yàn)證條件下的分割效率最高。

表2 本文模型在數(shù)據(jù)集不同配比下的評(píng)價(jià)指標(biāo)Table 2 Evaluation indexs of the proposed model according to different ratios of dataset training %

2.3.3 超參數(shù)對(duì)分割性能的影響

為保證模型分割效果最佳，本文設(shè)置多組對(duì)比實(shí)驗(yàn)。不同學(xué)習(xí)率對(duì)模型學(xué)習(xí)曲線的影響如圖11 所示。

圖11 不同學(xué)習(xí)率對(duì)模型學(xué)習(xí)曲線的影響Fig.11 Influence of different learning rates on model learning curves

從圖11 可以看出，當(dāng)初始學(xué)習(xí)率為0.01 時(shí)，梯度更新步長(zhǎng)較大，導(dǎo)致?lián)p失函數(shù)過早收斂，損失值偏大。當(dāng)初始學(xué)習(xí)率為0.000 1 時(shí)，梯度更新步長(zhǎng)較小，收斂速度較慢，容易發(fā)生過擬合現(xiàn)象，并且得到的損失值偏高。因此，在構(gòu)建模型時(shí)，本文選用0.001 作為初始學(xué)習(xí)率，梯度更新步長(zhǎng)適中，收斂速度較快，得到的損失值也最佳。

不同權(quán)重衰減值對(duì)模型學(xué)習(xí)曲線的影響如圖12所示。本文選用0.001 作為懲罰系數(shù)能夠避免模型訓(xùn)練過程中出現(xiàn)過擬合現(xiàn)象。

圖12 不同權(quán)重衰減值對(duì)模型學(xué)習(xí)曲線的影響Fig.12 Influence of different weight attenuation values on model learning curves

2.3.4 不同網(wǎng)絡(luò)結(jié)構(gòu)對(duì)分割性能的影響

本文利用改進(jìn)的IGC 模塊代替原始U 型網(wǎng)絡(luò)編碼器部分，為驗(yàn)證改進(jìn)的IGC 模塊更適合用于眼底HE 檢測(cè)，將其與常見模塊進(jìn)行對(duì)比。在數(shù)據(jù)集e-Ophtha EX 和DIARETDB1 上不同模塊的評(píng)價(jià)指標(biāo)如圖13 所示。從圖13 可以看出，本文改進(jìn)的IGC模塊在兩個(gè)公開數(shù)據(jù)集上各評(píng)價(jià)指標(biāo)均優(yōu)于ResNet34 以及Inception-v3 模塊，說明本文的眼底HE 自動(dòng)分割模型綜合性能更優(yōu)。

圖13 不同模塊的評(píng)價(jià)指標(biāo)對(duì)比Fig.13 Evaluation indexs comparison among different models

2.3.5 不同U 型網(wǎng)絡(luò)對(duì)分割性能的影響

本文設(shè)置4 組對(duì)比實(shí)驗(yàn)，驗(yàn)證改進(jìn)U 型網(wǎng)絡(luò)對(duì)模型分割效率的影響。在數(shù)據(jù)集e-Ophtha EX 和DIARETDB1上不同U 型網(wǎng)絡(luò)的性能評(píng)估如表3所示。模型1 表示原始U 型網(wǎng)絡(luò)模型；模型2 表示僅在U 型網(wǎng)絡(luò)編碼階段加入位置注意力模塊；模型3 表示僅在U 型網(wǎng)絡(luò)解碼階段加入通道注意力模塊；模型4 表示僅用改進(jìn)的IGC 模塊代替U 型網(wǎng)絡(luò)編碼器部分。

表3 不同U 型網(wǎng)絡(luò)模型的評(píng)估指標(biāo)對(duì)比Table 3 Evaluation indexs comparison among different U-shaped network models %

從表3 可以看出：無論是U 型網(wǎng)絡(luò)編碼階段還是解碼階段，加入注意力機(jī)制的U 型網(wǎng)絡(luò)能夠改善模型整體分割性能；采用改進(jìn)的IGC 模塊可以提高原始U 型網(wǎng)絡(luò)模型的靈敏度；采用本文所提眼底HE分割網(wǎng)絡(luò)模型有效改善原始U 型網(wǎng)絡(luò)對(duì)眼底HE 的分割效果。

3 結(jié)束語

本文提出一種基于交錯(cuò)組卷積的眼底硬性滲出物自動(dòng)分割模型。以U 型網(wǎng)絡(luò)模型為架構(gòu)，在編碼和解碼部分引入位置注意力模塊和通道注意力模塊，擴(kuò)大模型感受野以及增強(qiáng)重要特征的可辨別性，利用改進(jìn)的交錯(cuò)組卷積模塊代替原U 型網(wǎng)絡(luò)編碼部分，提取更豐富的病灶特征。實(shí)驗(yàn)結(jié)果表明，本文模型具有較優(yōu)的分割準(zhǔn)確率，能夠有效改善原始U 型網(wǎng)絡(luò)對(duì)眼底硬性滲出物的分割效果。后續(xù)將通過對(duì)視盤附近被掩蓋的硬性滲出物進(jìn)行更深層次檢測(cè)，同時(shí)優(yōu)化本文模型的檢測(cè)功能，使其能夠精確且高效檢測(cè)眼底圖像中的其他病變特征，如微動(dòng)脈瘤、出血點(diǎn)、軟滲出物等，以提升模型的泛化能力。