毕立新 李福进

华北理工大学电气工程学院 河北唐山 063000

在引入深度学习技术之前，人们已经提出了解决图像分割问题的传统方法，如阈值分割、聚类方法和基于直方图的方法。如今，深度学习代表了一种前沿技术，已经被存在了几十年的神经网络研究团体所证实[1]。深度学习通过训练一个神经网络模型来解决图像分割问题。其主要优点是能够根据训练数据集自动学习最佳特征。这就避免了手动选择特定任务的特征的耗时过程。在视网膜血管的分割中，由于传统的方法在分割过程中忽略了微小血管，因此分割是一个非常困难的任务，而利用深度学习方法自动检测视网膜血管具有更好的性能。精心设计的卷积神经网络（CNN）可以探测到专家通常都很难分析的微小的血管并将其分割[2]。CNN模型是为了克服这个问题而提出的。将其应用到眼底视网膜血管分割中，提高血管分割的准确率。本文针对视网膜分割的主要问题，提出了一种新颖的基于深度学习的视网膜血管分割方法。

1 注意力门限机制

为了捕获足够大的接收场并获取语义上下文信息，在标准CNN体系结构中逐渐对特征图网格进行下采样。通过这种方式，粗略的下采样后的特征图可以在全局尺度内映射特征之间的位置和关系。但是，要减小形状变化较大的小物体的假阳性预测仍然很困难。为了提高准确性，当前的分割框架依赖于其他先前的对象定位模型，以将任务简化为单独的定位和后续的分割步骤。……