寫在前面：本博客僅作記錄學習之用，部分圖片來自網絡，如需引用請注明出處，同時如有侵犯您的權益，請聯系刪除！
文章目錄
- 前言
- 論文
- 論文內容
- RSC模塊
- MSPF2 模塊
- RPDA模塊
- 實驗效果
- 總結
- 互動
- 致謝
- 參考
- 往期回顧
前言
視網膜是人眼的重要組成部分，其健康狀態直接關系到眼底疾病的發生率。因此，視網膜分割技術在醫學圖像分析中具有重要價值。然而，由于視網膜血管的復雜性和多樣性，傳統的基于手工標注的方法難以滿足現代醫療需求。近年來，深度學習技術因其強大的特征提取能力，逐漸成為視網膜分割研究的主要方向。
U-Net是一種經典的卷積神經網絡架構，廣泛應用于醫學圖像分割任務中。其主要優勢在于特征提取能力的強表現。然而，在處理復雜結構如視網膜血管時，U-Net仍存在一些局限性。
近年來，許多研究對U-Net進行了改進致力于提高多尺度特征融合能力：
- ASPP模塊：通過多尺度卷積池化操作增強模型對不同尺度特征的捕捉能力。
- BiSeNet：采用雙分支網絡結構，分別提取低層次和高層次信息，并通過融合模塊整合空間和上下文信息。
- DAPPM模塊：利用池化核 stride 和大小提取輸入特征圖的不同尺度特征，最終通過卷積操作進行融合。
論文
論文名： RVS-FDSC:Aretinalvesselsegmentationmethodwithfour-directionalstrip convolution to enhancefeatureextraction
論文速遞： 點我轉跳哦
代碼通道： 暫未開源
論文內容
為了提高視網膜血管分割的性能，通過改進經典U-Net模型的架構，提出了RVS-FDSC。模型的總體架構如下圖所示，其中包含編碼器、解碼器和跳過連接。
圖中有四種類型的RSC模塊，即RSC_1、RSC_2、RSC_3和RSC_4。具體設計包括：
- 殘差條紋卷積模塊（RSC）：通過四種不同方向的卷積增強對視網膜血管特征的捕捉能力。
- 多尺度特征融合模塊（MSPF2）：用于多尺度特征融合，提取輸入特征圖中不同尺度的信息并進行有效整合。
- 殘差并行雙注意力模塊（RPDA）：結合傳統U-Net的編碼器和解碼器架構，同時引入跳躍連接（ISC）以增強模型對細節信息的捕捉能力。
RSC模塊
視網膜血管的形狀結構具有分叉路徑和局部近似條帶的結構。目前基于卷積神經網絡的視網膜血管分割方法通常使用方形卷積核，忽略了視網膜血管的形狀結構，在一定程度上會限制模型的性能。RVS-FDSC使用一個可以大致模擬血管分叉路徑方向的四方向條卷積核來代替常用的3×3平方卷積核，以提取視網膜血管特征并提高模型的性能。
殘差條紋卷積模塊通過四種方向的卷積操作增強特征提取能力。具體實現如下：
- 四方向卷積：分別在四個不同方向（水平、垂直、反對角和主對角）進行卷積操作。
- 殘差連接：將不同方向卷積后的結果與原始輸入進行殘差學習。
MSPF2 模塊
多尺度特征融合可以改善特征表示，提高分割性能。平均池化有助于融合池化區域的信息，最大池化有利于捕捉池化區域中的顯著特征，但目前的多尺度池化通常只使用平均池化或最大池化中的一種，在一定程度上限制了多尺度池特征融合的性能。
MSPF2 模塊結合了平均和最大池化，通過多尺度特征融合技術提取輸入特征圖的不同尺度信息：
- 池化操作：利用不同步長和大小的池化核提取特征。
- 特征融合：將不同尺度特征通過卷積操作整合。
RPDA模塊
通道注意和空間注意是計算機視覺中兩種常用的注意機制。通道注意力集中在輸入特征圖中不同通道之間的關系和重要性上，而空間注意力則關注輸入特征圖內不同位置之間的關系及其重要性。RPDA結合通道注意力、空間注意力和殘差連接來提高性能。
實驗效果
RVS-FDSC在許多細節上都有最好的分割結果，表明在復雜的交錯血管樹中可以獲得更好的分割結果。RVS-FDSC的分割結果（即U-Net+MSPF2+ISC+RPDA+RSC）最接近專家注釋。將所提出的MSPF2、ISC、RPDA和RSC模塊組合在一起時血管損失、斷裂和分割錯誤的問題得到了很大改善。
總結
總結： RVS-FDSC在保留傳統U-Net優勢的同時，通過殘差條紋卷積模塊（RSC）、多尺度特征融合技術（MSPF2）和殘差并行雙注意力（RPDA）模塊顯著提升了對視網膜血管特征的捕捉能力。實驗結果表明，與傳統方法相比，所提出的方法在分割精度上具有顯著提升。未來可以進一步研究其在其他醫學圖像分割任務中的應用。
互動
- 你認為該論文的創新性如何？
歡迎在評論區解答上述問題，分享你的看法和經驗！
當然，也歡迎一鍵三連給我鼓勵和支持：👍點贊 📁 關注 💬評論。
致謝
欲盡善本文，因所視短淺，怎奈所書皆是瞽言蒭議。行文至此，誠向予助與余者致以謝意。
參考
[1] RVS-FDSC: A retinal vessel segmentation method with four-directional strip convolution to enhance feature extraction
往期回顧
 👆 DeepSeek本地化部署保姆級教程👆 |  👆 EfficientTrain++幫你降低網絡訓練的成本👆 |  👆 PyCharm環境下Git與Gitee聯動👆 |
 👆 Ping通但SSH連接失敗的解決辦法👆 |  👆 輕量化設計如何提高模型的推理速度👆 |  👆 正則化與正則剪枝👆 |
