摘要

视网膜血管的精确分割对于糖尿病、高血压等眼相关疾病的早期诊断具有重要意义。本文提出了一种轻量级网络结构——空间注意力U-Net（Spatial Attention U-Net, SA-UNet），该网络无需数千个标注训练样本，且可通过数据增强方式更高效地利用有限的标注样本。SA-UNet引入了空间注意力模块，该模块沿空间维度生成注意力图，并将其与输入特征图相乘，实现自适应的特征优化。此外，所提出的网络采用结构化丢弃卷积块（structured dropout convolutional blocks）替代U-Net原始的卷积块，以有效防止模型过拟合。我们在两个基准视网膜图像数据集——血管提取数据集（DRIVE）和儿童心脏与健康研究数据集（CHASE_DB1）上对SA-UNet进行了评估，结果表明，该方法在两个数据集上均达到了当前最优的分割性能。代码实现及训练好的模型已公开于GitHub¹。