• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于改進(jìn)交錯(cuò)組卷積的眼底硬性滲出物自動(dòng)分割

    2022-07-14 13:11:54白杰李艷萍
    計(jì)算機(jī)工程 2022年7期
    關(guān)鍵詞:硬性滲出物注意力

    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。

    猜你喜歡
    硬性滲出物注意力
    干硬性混凝土預(yù)制塊強(qiáng)度檢測(cè)方法及超聲波無損檢測(cè)方法的應(yīng)用
    四川水泥(2024年4期)2024-04-23 14:37:10
    基于IHBMO-RF 的眼底硬性滲出物檢測(cè)①
    讓注意力“飛”回來
    14Cr17Ni2材料淬硬性研究
    以“生肌三法”為代表的方藥對(duì)糖尿病足伴慢性瘡面作用機(jī)制的探討
    結(jié)合FCM聚類和邊緣感知模型的眼底滲出物檢測(cè)
    讓硬性的經(jīng)濟(jì)報(bào)道“軟著陸”
    硬性角膜接觸鏡在矯正屈光參差中的應(yīng)用
    “揚(yáng)眼”APP:讓注意力“變現(xiàn)”
    彩色眼底圖像糖網(wǎng)滲出物的自動(dòng)檢測(cè)
    光電工程(2016年12期)2017-01-17 05:03:31
    干丝袜人妻中文字幕| 久久久久久久久大av| 蜜桃亚洲精品一区二区三区| 亚洲激情五月婷婷啪啪| 老司机影院成人| 不卡一级毛片| 男人的好看免费观看在线视频| 亚洲专区国产一区二区| 九九爱精品视频在线观看| 久久精品国产99精品国产亚洲性色| 欧美性猛交╳xxx乱大交人| 亚洲乱码一区二区免费版| 日韩欧美在线乱码| 成年女人毛片免费观看观看9| 精品一区二区免费观看| 蜜桃久久精品国产亚洲av| 久久精品国产亚洲av香蕉五月| 亚洲不卡免费看| 久久这里只有精品中国| 老师上课跳d突然被开到最大视频| 欧美最黄视频在线播放免费| 亚洲国产欧洲综合997久久,| 成人综合一区亚洲| АⅤ资源中文在线天堂| 可以在线观看毛片的网站| АⅤ资源中文在线天堂| 午夜视频国产福利| 激情 狠狠 欧美| 亚洲,欧美,日韩| 日本爱情动作片www.在线观看 | 亚洲欧美日韩无卡精品| 性欧美人与动物交配| av国产免费在线观看| 精品久久久久久成人av| 菩萨蛮人人尽说江南好唐韦庄 | 中文在线观看免费www的网站| 婷婷六月久久综合丁香| 国产在视频线在精品| 美女黄网站色视频| 又黄又爽又刺激的免费视频.| 亚洲自偷自拍三级| 小蜜桃在线观看免费完整版高清| 综合色av麻豆| 特级一级黄色大片| 日本免费a在线| 黄色一级大片看看| 精品久久久久久久末码| 熟女电影av网| 国产片特级美女逼逼视频| 天天躁夜夜躁狠狠久久av| 亚洲成a人片在线一区二区| 成人三级黄色视频| 九九爱精品视频在线观看| 久久久久久久久久黄片| 波多野结衣巨乳人妻| 午夜亚洲福利在线播放| 国语自产精品视频在线第100页| 最后的刺客免费高清国语| 麻豆久久精品国产亚洲av| 最近的中文字幕免费完整| 午夜福利18| 九九爱精品视频在线观看| 五月玫瑰六月丁香| 欧美高清成人免费视频www| 一夜夜www| 国产熟女欧美一区二区| 简卡轻食公司| 少妇人妻一区二区三区视频| 日本在线视频免费播放| 精品午夜福利在线看| 中文字幕av在线有码专区| 一夜夜www| 欧美三级亚洲精品| 午夜激情福利司机影院| 深夜a级毛片| 国产久久久一区二区三区| 久久精品影院6| 亚洲,欧美,日韩| 免费观看的影片在线观看| 国产精品久久久久久亚洲av鲁大| 91精品国产九色| 日韩欧美三级三区| 亚洲成av人片在线播放无| 色播亚洲综合网| 国产女主播在线喷水免费视频网站 | 欧美一区二区精品小视频在线| 日韩,欧美,国产一区二区三区 | 日韩欧美一区二区三区在线观看| 日日啪夜夜撸| 国内久久婷婷六月综合欲色啪| 亚洲国产欧美人成| 成人亚洲欧美一区二区av| 久久久久性生活片| 亚洲av.av天堂| 亚洲精华国产精华液的使用体验 | 波多野结衣高清作品| 国产免费男女视频| 国产欧美日韩一区二区精品| 秋霞在线观看毛片| 性色avwww在线观看| 一个人免费在线观看电影| 波多野结衣高清作品| 国产精品av视频在线免费观看| 欧美日本亚洲视频在线播放| 真人做人爱边吃奶动态| 插阴视频在线观看视频| 搡老岳熟女国产| 午夜免费男女啪啪视频观看 | 亚洲欧美成人精品一区二区| 国产亚洲精品久久久com| 国产精品无大码| 免费一级毛片在线播放高清视频| 欧美xxxx黑人xx丫x性爽| 97人妻精品一区二区三区麻豆| 成人美女网站在线观看视频| 欧美zozozo另类| 亚洲成人精品中文字幕电影| 麻豆一二三区av精品| 俺也久久电影网| 久久精品久久久久久噜噜老黄 | 精品人妻视频免费看| 99精品在免费线老司机午夜| 亚洲婷婷狠狠爱综合网| 精品久久久久久久久亚洲| 免费av观看视频| 日韩亚洲欧美综合| 久久久久久伊人网av| 日韩精品中文字幕看吧| 日本撒尿小便嘘嘘汇集6| 国产精品一区二区三区四区久久| 老熟妇乱子伦视频在线观看| 成年免费大片在线观看| 久久精品综合一区二区三区| 国内精品美女久久久久久| 国产精品永久免费网站| 一个人免费在线观看电影| 日日啪夜夜撸| 国产激情偷乱视频一区二区| 18禁在线无遮挡免费观看视频 | 国产精品亚洲美女久久久| 欧美xxxx黑人xx丫x性爽| 午夜福利在线在线| 欧美国产日韩亚洲一区| 欧美一区二区国产精品久久精品| 国产精品国产高清国产av| 免费观看的影片在线观看| 18禁黄网站禁片免费观看直播| 99热这里只有是精品50| 一夜夜www| 91午夜精品亚洲一区二区三区| 午夜福利成人在线免费观看| 丰满人妻一区二区三区视频av| 亚洲性久久影院| 久久午夜亚洲精品久久| 日韩中字成人| 美女被艹到高潮喷水动态| 国产精品久久久久久av不卡| 神马国产精品三级电影在线观看| 寂寞人妻少妇视频99o| 有码 亚洲区| 寂寞人妻少妇视频99o| 免费黄网站久久成人精品| 久久久久久久久大av| 国产探花极品一区二区| 能在线免费观看的黄片| 草草在线视频免费看| 日韩成人伦理影院| 亚洲av免费高清在线观看| 日韩精品青青久久久久久| 乱码一卡2卡4卡精品| 日本爱情动作片www.在线观看 | 亚洲精品粉嫩美女一区| av天堂中文字幕网| 人妻久久中文字幕网| 舔av片在线| 麻豆久久精品国产亚洲av| av在线app专区| 黄色毛片三级朝国网站 | 亚洲国产精品一区三区| 国产免费一级a男人的天堂| av在线app专区| 卡戴珊不雅视频在线播放| 日产精品乱码卡一卡2卡三| 内射极品少妇av片p| 国产熟女欧美一区二区| 久久久久国产网址| 日韩一区二区视频免费看| 99久久精品一区二区三区| tube8黄色片| 99久国产av精品国产电影| 一本—道久久a久久精品蜜桃钙片| 九草在线视频观看| 久久久久久久大尺度免费视频| 一级二级三级毛片免费看| a级毛片在线看网站| 一级毛片aaaaaa免费看小| 亚洲av免费高清在线观看| av免费在线看不卡| 看免费成人av毛片| 精品亚洲乱码少妇综合久久| 18+在线观看网站| 亚洲自偷自拍三级| 少妇的逼好多水| 大片免费播放器 马上看| 男人爽女人下面视频在线观看| 国产欧美日韩一区二区三区在线 | 人妻人人澡人人爽人人| 国产中年淑女户外野战色| 亚洲人成网站在线播| 国产亚洲av片在线观看秒播厂| 国产亚洲av片在线观看秒播厂| 久久女婷五月综合色啪小说| 天天躁夜夜躁狠狠久久av| 草草在线视频免费看| 丰满迷人的少妇在线观看| 热99国产精品久久久久久7| 欧美3d第一页| 亚洲第一av免费看| 十八禁网站网址无遮挡 | 成人漫画全彩无遮挡| 一级毛片久久久久久久久女| 2021少妇久久久久久久久久久| 天堂俺去俺来也www色官网| 在线观看一区二区三区激情| 80岁老熟妇乱子伦牲交| 五月开心婷婷网| 国产成人一区二区在线| 三级经典国产精品| 久久久久久久久久久久大奶| 中国三级夫妇交换| 热99国产精品久久久久久7| 特大巨黑吊av在线直播| 亚洲av成人精品一区久久| 亚洲欧美日韩东京热| 欧美日韩一区二区视频在线观看视频在线| 免费观看a级毛片全部| 黑人猛操日本美女一级片| 一区二区三区乱码不卡18| 国产黄色视频一区二区在线观看| 久久久精品免费免费高清| av网站免费在线观看视频| 欧美日韩视频高清一区二区三区二| 在线观看一区二区三区激情| 免费观看a级毛片全部| 欧美日韩av久久| 内射极品少妇av片p| 亚洲欧美精品专区久久| 下体分泌物呈黄色| 波野结衣二区三区在线| 成人漫画全彩无遮挡| 黑人巨大精品欧美一区二区蜜桃 | 最近的中文字幕免费完整| 高清视频免费观看一区二区| 成人国产av品久久久| 久久久久视频综合| 丰满饥渴人妻一区二区三| 波野结衣二区三区在线| 免费大片18禁| 内地一区二区视频在线| 美女大奶头黄色视频| 国模一区二区三区四区视频| 中国美白少妇内射xxxbb| 777米奇影视久久| 国产乱来视频区| 99re6热这里在线精品视频| 男女边摸边吃奶| 大片电影免费在线观看免费| 午夜福利视频精品| 91成人精品电影| 久久久久国产网址| 一级,二级,三级黄色视频| 国产精品秋霞免费鲁丝片| 偷拍熟女少妇极品色| 亚洲欧美一区二区三区国产| 五月天丁香电影| 欧美日韩亚洲高清精品| av黄色大香蕉| 欧美精品一区二区大全| 成人无遮挡网站| av专区在线播放| 亚洲综合色惰| 另类精品久久| 自拍偷自拍亚洲精品老妇| 日韩欧美精品免费久久| 人人妻人人澡人人爽人人夜夜| 2018国产大陆天天弄谢| 国产深夜福利视频在线观看| 国产精品国产三级专区第一集| 五月天丁香电影| 18+在线观看网站| 99热网站在线观看| 日韩亚洲欧美综合| 制服丝袜香蕉在线| 亚洲欧洲日产国产| 秋霞伦理黄片| 成人国产av品久久久| 久久人人爽av亚洲精品天堂| 黄色欧美视频在线观看| 成人国产av品久久久| 国产精品一区二区性色av| 一二三四中文在线观看免费高清| h视频一区二区三区| 中文欧美无线码| 久久精品夜色国产| 人体艺术视频欧美日本| 久久韩国三级中文字幕| 熟女av电影| 免费av中文字幕在线| 乱人伦中国视频| 国产精品福利在线免费观看| 国产精品久久久久久精品电影小说| 人妻制服诱惑在线中文字幕| 亚洲精品久久午夜乱码| a级一级毛片免费在线观看| 五月玫瑰六月丁香| 久久精品国产a三级三级三级| 国产熟女午夜一区二区三区 | 麻豆成人午夜福利视频| 高清午夜精品一区二区三区| 视频中文字幕在线观看| 国产精品不卡视频一区二区| 亚洲av福利一区| 亚洲人与动物交配视频| 亚洲精品亚洲一区二区| 一本大道久久a久久精品| 波野结衣二区三区在线| 亚洲情色 制服丝袜| 国产在线男女| 国产一区亚洲一区在线观看| 日本91视频免费播放| 亚洲熟女精品中文字幕| 日韩 亚洲 欧美在线| 国产成人精品久久久久久| 黄色怎么调成土黄色| 熟女av电影| av又黄又爽大尺度在线免费看| 国产在线一区二区三区精| 欧美亚洲 丝袜 人妻 在线| 麻豆成人午夜福利视频| 免费观看在线日韩| 一二三四中文在线观看免费高清| 国产精品一区二区三区四区免费观看| 一级二级三级毛片免费看| 蜜桃在线观看..| 日韩中文字幕视频在线看片| 欧美日韩亚洲高清精品| 免费高清在线观看视频在线观看| 韩国av在线不卡| 三级国产精品欧美在线观看| 91精品伊人久久大香线蕉| 国产欧美亚洲国产| 中国国产av一级| 亚洲精华国产精华液的使用体验| 国产国拍精品亚洲av在线观看| 亚洲国产毛片av蜜桃av| 亚洲伊人久久精品综合| 免费看日本二区| 国产 一区精品| 亚洲欧美中文字幕日韩二区| 亚洲精品自拍成人| 99久国产av精品国产电影| 亚洲av二区三区四区| 亚洲国产精品一区三区| 成人午夜精彩视频在线观看| 丰满乱子伦码专区| 久久国产精品男人的天堂亚洲 | 夫妻性生交免费视频一级片| 能在线免费看毛片的网站| 国产在线视频一区二区| 久久99热这里只频精品6学生| 午夜免费男女啪啪视频观看| 亚州av有码| 熟妇人妻不卡中文字幕| 久久热精品热| 三级国产精品片| 国产免费福利视频在线观看| 乱系列少妇在线播放| 人体艺术视频欧美日本| 女性被躁到高潮视频| 亚洲成人av在线免费| 国产免费一区二区三区四区乱码| 日韩,欧美,国产一区二区三区| av国产精品久久久久影院| 午夜免费男女啪啪视频观看| 2018国产大陆天天弄谢| 日韩欧美一区视频在线观看 | 三上悠亚av全集在线观看 | 成人二区视频| 亚洲精品日韩在线中文字幕| 午夜91福利影院| 麻豆乱淫一区二区| 国产精品偷伦视频观看了| 曰老女人黄片| 男女啪啪激烈高潮av片| 乱系列少妇在线播放| 亚洲精品视频女| 老司机影院成人| 美女大奶头黄色视频| 国内精品宾馆在线| 国产女主播在线喷水免费视频网站| 国语对白做爰xxxⅹ性视频网站| h视频一区二区三区| a级毛片免费高清观看在线播放| 在线观看一区二区三区激情| 高清av免费在线| 少妇精品久久久久久久| 2018国产大陆天天弄谢| 中文字幕久久专区| 多毛熟女@视频| 日韩电影二区| 丰满乱子伦码专区| 久久久精品免费免费高清| 欧美少妇被猛烈插入视频| 久久狼人影院| 黑人高潮一二区| 精品一品国产午夜福利视频| 国产男女内射视频| 国产伦理片在线播放av一区| 久久久久人妻精品一区果冻| 国产欧美亚洲国产| 啦啦啦中文免费视频观看日本| 国产白丝娇喘喷水9色精品| 久久99热这里只频精品6学生| 五月开心婷婷网| 国产黄片视频在线免费观看| 性高湖久久久久久久久免费观看| 91精品国产国语对白视频| 大陆偷拍与自拍| 嫩草影院入口| 国产成人精品久久久久久| 免费观看的影片在线观看| 国产女主播在线喷水免费视频网站| 男人和女人高潮做爰伦理| 久久久亚洲精品成人影院| 国产精品嫩草影院av在线观看| a级毛片在线看网站| 韩国高清视频一区二区三区| 免费播放大片免费观看视频在线观看| a级毛片在线看网站| 国产亚洲精品久久久com| 你懂的网址亚洲精品在线观看| 女性被躁到高潮视频| 永久网站在线| a级毛色黄片| 亚洲精品日韩在线中文字幕| 亚洲国产欧美日韩在线播放 | 亚洲国产成人一精品久久久| 日韩中字成人| videos熟女内射| 精品一区二区免费观看| 特大巨黑吊av在线直播| 99热国产这里只有精品6| 伊人久久国产一区二区| 18禁裸乳无遮挡动漫免费视频| 久久狼人影院| 激情五月婷婷亚洲| 中国美白少妇内射xxxbb| 青青草视频在线视频观看| 少妇高潮的动态图| 大片免费播放器 马上看| 亚洲第一区二区三区不卡| 我要看黄色一级片免费的| 欧美精品一区二区大全| 国产中年淑女户外野战色| 日韩欧美 国产精品| 简卡轻食公司| 欧美日韩在线观看h| 嘟嘟电影网在线观看| 亚洲美女视频黄频| 精品亚洲成a人片在线观看| 一级片'在线观看视频| 久久精品熟女亚洲av麻豆精品| 18禁在线播放成人免费| 亚洲无线观看免费| 少妇猛男粗大的猛烈进出视频| h日本视频在线播放| 午夜老司机福利剧场| 美女脱内裤让男人舔精品视频| 国产老妇伦熟女老妇高清| 美女大奶头黄色视频| 婷婷色av中文字幕| 人人妻人人澡人人看| 在线观看一区二区三区激情| 高清av免费在线| 欧美人与善性xxx| 嫩草影院新地址| 成人亚洲欧美一区二区av| 亚洲va在线va天堂va国产| 日韩av在线免费看完整版不卡| 久久久久国产精品人妻一区二区| 又大又黄又爽视频免费| 久久精品国产a三级三级三级| 美女国产视频在线观看| tube8黄色片| 欧美精品国产亚洲| 精品久久久噜噜| 国产男女内射视频| 日韩成人伦理影院| 亚洲国产最新在线播放| 日日啪夜夜撸| 香蕉精品网在线| 日韩中文字幕视频在线看片| 尾随美女入室| 久久 成人 亚洲| 国产免费一级a男人的天堂| 欧美精品亚洲一区二区| 婷婷色综合大香蕉| 99久久人妻综合| 免费av中文字幕在线| a级片在线免费高清观看视频| 91精品国产国语对白视频| 尾随美女入室| 午夜福利影视在线免费观看| 在线观看av片永久免费下载| 建设人人有责人人尽责人人享有的| 精品国产一区二区久久| 成人美女网站在线观看视频| 日韩成人av中文字幕在线观看| 国产成人精品福利久久| av女优亚洲男人天堂| 这个男人来自地球电影免费观看 | 国产欧美日韩精品一区二区| 中文精品一卡2卡3卡4更新| 高清在线视频一区二区三区| 自拍欧美九色日韩亚洲蝌蚪91 | 亚洲欧洲国产日韩| 极品少妇高潮喷水抽搐| 亚洲av福利一区| 不卡视频在线观看欧美| 在线 av 中文字幕| 久久热精品热| 麻豆乱淫一区二区| 亚洲精品视频女| 国产日韩欧美视频二区| 久久热精品热| 熟女人妻精品中文字幕| 你懂的网址亚洲精品在线观看| 亚洲国产精品一区三区| 18+在线观看网站| 免费久久久久久久精品成人欧美视频 | 日韩伦理黄色片| 大香蕉97超碰在线| 亚洲欧美日韩东京热| 黄色怎么调成土黄色| 赤兔流量卡办理| 99久久中文字幕三级久久日本| 久久精品国产a三级三级三级| 久久久亚洲精品成人影院| 一二三四中文在线观看免费高清| 尾随美女入室| 我的女老师完整版在线观看| 丝袜脚勾引网站| 亚洲国产精品999| 少妇的逼好多水| 99久久人妻综合| 日韩av不卡免费在线播放| 黄色毛片三级朝国网站 | 九九在线视频观看精品| 中文精品一卡2卡3卡4更新| 亚洲国产色片| 国产伦理片在线播放av一区| 日韩中字成人| 国内精品宾馆在线| 日韩,欧美,国产一区二区三区| 亚洲国产av新网站| 色婷婷久久久亚洲欧美| 欧美变态另类bdsm刘玥| 久久久久久久久久人人人人人人| 有码 亚洲区| 国产精品久久久久久精品古装| 岛国毛片在线播放| 亚州av有码| 女的被弄到高潮叫床怎么办| 亚洲性久久影院| 26uuu在线亚洲综合色| 美女cb高潮喷水在线观看| 精品亚洲成国产av| 亚洲精品aⅴ在线观看| 久久久久人妻精品一区果冻| 如何舔出高潮| 免费观看在线日韩| 国产av国产精品国产| tube8黄色片| 蜜臀久久99精品久久宅男| 青春草亚洲视频在线观看| 欧美成人精品欧美一级黄| 成人亚洲欧美一区二区av| 免费久久久久久久精品成人欧美视频 | 欧美+日韩+精品| 久久国产乱子免费精品| 国产黄色视频一区二区在线观看| 亚洲国产日韩一区二区| 自拍欧美九色日韩亚洲蝌蚪91 | 三级经典国产精品| 又粗又硬又长又爽又黄的视频| 啦啦啦啦在线视频资源| 免费观看在线日韩| 天堂8中文在线网| 国产亚洲av片在线观看秒播厂| 亚洲精品日韩在线中文字幕| 久久国内精品自在自线图片| 观看免费一级毛片| a级毛片在线看网站| 久久国内精品自在自线图片| 午夜福利,免费看| 亚洲欧洲精品一区二区精品久久久 | 黄色视频在线播放观看不卡| 日韩一区二区视频免费看| 精品国产乱码久久久久久小说| 丝袜脚勾引网站| 制服丝袜香蕉在线| 啦啦啦中文免费视频观看日本| 国产免费又黄又爽又色| 日本色播在线视频| 国产淫片久久久久久久久|