Page 468 - 《软件学报》2024年第6期

3044 软件学报 2024 年第 35 卷第 6 期

模块时, 视网膜层边界分割结果存在较大的误差, 而将全局特征模块嵌入网络后时, 视网膜层边界误差大幅减少.
全局特征模块通过利用门控循环单元, 一方面在水平方向上提取各个视网膜层自身的特征以建模层的水平连续
性, 另一方面在垂直方向上提取不同视网膜层间的判别性特征, 通过融合两类特征以有效地进行视网膜层特征提
取. 全局特征模块从水平和垂直两个方向对图像的全局上下文信息进行整合, 而不仅受限于局部特征的提取, 充分
利用了图像各像素之间的关联性. 在两个数据集上的数值结果均表明本文设计的全局特征模块能够有效提取和建
模 OCT 图像的全局信息, 从而提高视网膜层边界分割的分割性能.

表 1 在数据集 1 上对 GFM 和 CAM 的消融实验结果

Network Mean Std Max Surface1 Surface2 Surface4 Surface6 Surface11
Baseline 1.021 0.137 1.243 0.897 1.014 1.088 1.243 0.864
Baseline+GFM 0.914 0.103 1.080 0.769 0.956 0.901 1.080 0.862
Baseline+GFM+CAM 0.911 0.112 1.084 0.768 0.955 0.940 1.084 0.811

表 2 在数据集 2 上对 GFM 和 CAM 的消融实验结果

Max
Network Overall RBC IZ-RPE ILM-NFL
Baseline 1.93±0.98 1.66±0.84 2.73±1.02 1.39±0.38
Baseline+GFM 1.73±0.96 1.69±1.19 2.28±0.80 1.22±0.40
Baseline+GFM+CAM 1.72±0.97 1.68±1.20 2.31±0.79 1.16±0.29

3.4.2 通道注意力模块的消融实验
为了验证通道注意力的引入是否有利于提升分割结果, 本文同样进行了有无通道注意力模块的对比实验. 在
数据集 1 上对通道注意力模块的消融实验结果如表 1 所示, 当嵌入 CAM 后, 在 MUE 指标方面, 除 Surface4 和
Surface6 的误差略微上升外, 其他边界上的误差及平均误差均有不同幅度的降低. 从表 2 中对通道注意力模块的
消融实验结果可以看到, 除 IZ-RPE 层边界的误差上升了 0.03 个像素外, 其他的边界误差均有不同程度的下降, 尤
其是整体方面有了更小的误差. 综上所述, 通道注意力的引入能够使网络有选择性地强调信息特征, 过滤掉经
GFM 提取到的特征可能包含的少量冗余和无关信息, 从而有效抑制与层边界无关的通道信息. 在两个数据集上的
消融实验结果也显示了通道注意力模块的嵌入对于边界分割有一定的提升效果, 而 GFM 和 CAM 二者的组合使
用可以使得全局特征的建模更充分和有效.
3.4.3 图搜索算法的消融实验
由于粗分割结果得到的边界可能存在不连续的情况, 本文采用 Dijkstra 算法对设计的三连通有向图进行搜索
以进行细分割. 表 3 和表 4 分别为两个数据集上有无图搜索算法时的分割结果, 可以看出, 图搜索算法有效地降低
了粗分割结果中的误差. 图 6 和图 7 分别展示了在两个数据集上引入图搜索算法前后的可视化结果对比. 从中可
以发现, 视网膜层不连续的现象被有效地消除, 尤其如图 6(b) 和图 7(c) 所示, 其中多处边界不连续在经过图搜索
算法后均被平滑处理. 本文从以上两个角度验证了细分割阶段的图搜索算法对视网膜层边界分割具有显著的正向
作用.

表 3 在数据集 1 上对图搜索算法的消融实验结果

Method Mean Std Surface1 Surface2 Surface4 Surface6 Surface11
AGR-Net (Ours) 0.97 0.17 1.14 0.78 1.09 1.10 1.14 0.76
AGR-Net-GS (Ours) 0.91 0.11 1.08 0.77 0.96 0.94 1.08 0.81

表 4 在数据集 2 上对图搜索算法的消融实验结果

Method Overall RBC IZ-RPE ILM-NFL
AGR-Net (Ours) 1.76±0.94 1.77±0.94 2.26±0.76 1.24±0.41
AGR-Net-GS (Ours) 1.72±0.97 1.68±1.20 2.31±0.79 1.16±0.29