新型下采样法在视网膜血管分割中的应用

视网膜血管的精准分割对眼部疾病的诊断、预防及后续检测具有重要意义，近些年U-Net网络及其各种变体在医学图像分割领域达到了先进的水平。这些网络大多数都选择使用简单的最大值池化来对图像中间特征层进行下采样，这容易丢失部分信息，该研究提出了一种简单而有效的新型下采样方法PF池化（PF-pooling）方法，可以很好地将图像相邻像素信息进行融合。该研究所提出的下采样方法是个轻量级的通用模块，可以有效地集成到各种基于卷积操作的网络架构中。在DRIVE和STARE数据集上的实验结果显示，使用PF池化的U-Net模型有STARE数据集上的F1-score指标提升了1.98%，准确率提升了0.2%，灵敏度提升了3.88%。并且通过更换不同算法模型来验证，并提出模块的泛化性，结果表明PF池化在DenseUNet和Res-UNet模型上均实现了性能的提升，具有很好的普适性。