论文部分内容阅读
基于数字眼底图像进行视盘视杯分割是青光眼常用的诊断方法。为了更加精确地分割视盘视杯,提出了一种基于改进U-Net的视盘视杯分割方法。在传统U-Net的基础上,使用残差块改进了下采样部分,并使用卷积操作改进U-net中的跳层连接部分,使网络更加充分地获取特征信息。使用多种性能指标对训练的模型进行评价,结果表明,视盘模型和视杯模型在DRISHTI-GS数据集上的DICE系数分别达到了98.3%和97.2%,IOU系数分别达到了93.2%和88.5%。