鄒北驥　易博松　劉晴

摘 ? 要：糖尿病性視網(wǎng)膜病變（簡稱糖網(wǎng)?。┦侵饕闹旅ぱ奂膊≈?，視網(wǎng)膜新生血管的出現(xiàn)是糖網(wǎng)病惡化的重要標(biāo)志. 為了更準(zhǔn)確地檢測出視網(wǎng)膜新生血管，本文提出了一種基于彩色眼底圖的視網(wǎng)膜新生血管檢測方法. 首先通過一種改進的U形卷積神經(jīng)網(wǎng)絡(luò)對血管進行分割;然后利用滑動窗口提取特定區(qū)域內(nèi)血管的形態(tài)特征，通過支持向量機將窗口內(nèi)的血管分為普通血管和新生血管. 使用來自MESSIDOR數(shù)據(jù)集和Kaggle數(shù)據(jù)集的含有視網(wǎng)膜新生血管的彩色眼底圖對實驗進行訓(xùn)練和測試，結(jié)果表明該方法對視網(wǎng)膜新生血管檢測的準(zhǔn)確率為95.96%;該方法在糖網(wǎng)病計算機輔助診斷方面有潛在的應(yīng)用前景.

關(guān)鍵詞：視網(wǎng)膜新生血管檢測;血管分割;U形網(wǎng)絡(luò);深度學(xué)習(xí)

中圖分類號：TP391.41 ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標(biāo)志碼：A

A Method of Retinal Neovascularization Detection on

Retinal Image Based on Improved U-net

ZOU Beiji2，3，YI Bosong1，3，LIU Qing2，3

（1. School of Automation，Central South University，Changsha 410083，China;

2. School of Computing，Central South University，Changsha 410083，China;

3. Hunan Machine Vision and Intelligent Medical Research Center，Changsha 410083，China）

Abstract：Diabetic retinopathy （DR） is one of the major causes of blindness， and the appearance of retinal neovascularization （RN） is an important sign of DR deterioration. In order to detect RN more accurately， a method based on color fundus photograph for retinal neovascularization detection is proposed. First， an improved U-shaped convolutional neural network is used to segment the blood vessels. Then， a sliding window is used to extract the morphological characteristics of blood vessels in the specific area. A support vector machine （SVM） is used to classify the blood vessels into normal vessels and retinal neovascularization in the window. The experiments use color fundus photographs with retinal neovascularization from the MESSIDOR dataset and the Kaggle dataset for training and testing. The result shows that the accuracy of this method for the RN detection is 95.96%; This method has potential application prospects in the computer-aided diagnosis of diabetic retinopathy.

Key words：retinal neovascularization detection;segmentation of blood vessels;U-shaped neural network;deep learning

糖尿病性視網(wǎng)膜病變是糖尿病的微血管主要并發(fā)癥之一，也是主要的致盲疾病之一[1].據(jù)估計，到2030年全世界將有約3.6 億人罹患糖尿病. 我國目前的糖尿病患病率為 9.7%，約有 9 400 萬人罹患糖尿病[1]. 臨床上視網(wǎng)膜新生血管的出現(xiàn)是非增殖期糖尿病性視網(wǎng)膜病變惡化至增殖期糖尿病性視網(wǎng)膜病變的主要標(biāo)志，也是醫(yī)生是否需要對患者立刻進行積極治療的關(guān)鍵判斷依據(jù)[1-2].

目前已有的對于視網(wǎng)膜新生血管的檢測方法主要是通過傳統(tǒng)圖像處理方法對彩色眼底圖中的新生血管進行分割，去除背景和大部分圖像噪聲，只提取血管圖像，再使用機器學(xué)習(xí)方法訓(xùn)練分類器并對眼底圖像全局或者特定區(qū)域的血管進行分類以達到新生血管檢測的目的.

Agurto等[3]將AM-FM算法用于檢測正常和非正常的血管，以此篩查糖尿病性視網(wǎng)膜病. Goatman等[4] 直接提取血管的形狀、位置、方向、密度等特征，并使用支持向量機（Support Vector Machine，SVM） 分類器來區(qū)分正常和非正常血管. Hassan等[5]選擇固定大小區(qū)域里的血管數(shù)目和血管所占面積作為特征來檢測新生血管. Maryam[6]證明了在各種描述新生血管的特征中，Gabor濾波器方法能實現(xiàn)最好的特異性和較好的敏感性. Welikala等[7]分別從標(biāo)準(zhǔn)線性算子和修正線性算子生成的二值化的血管圖中提取兩組不同的特征集，并提出了一個基于SVM 的雙重分類系統(tǒng)用于正常血管和新生血管的分類. Gupta等[8]提出將視網(wǎng)膜圖像拆分成小塊來檢測，提取小塊的紋理特征和灰度特征等525個特征，使用隨機森林分類器來訓(xùn)練并進行血管的分類. Pujitha等[9]提出了一種半監(jiān)督方法來解決訓(xùn)練數(shù)據(jù)量不夠的問題. 對于含有新生血管的小片段，使用Gabor濾波器來提取特征，通過在特征空間中使用領(lǐng)域信息，將特征融合在基于共同訓(xùn)練的半監(jiān)督的框架中來分類. Yu等[10]提出通過對新生血管候選區(qū)域進行再次篩選并使用SVM分類新生血管和普通血管.

近年來，U形網(wǎng)絡(luò)[11]在醫(yī)學(xué)圖像分割任務(wù)上獲得了巨大的成功. 在彩色眼底圖像普通血管分割任務(wù)上，相比于傳統(tǒng)方法，U形網(wǎng)絡(luò)能夠?qū)崿F(xiàn)更好的分割性能[12]. 但與常規(guī)血管不同的是，視網(wǎng)膜新生血管在形態(tài)上更加細小[1]，分割和檢測的難度均比常規(guī)血管大.

針對新生血管較難檢測的問題，為了提升檢測的準(zhǔn)確率，本文提出一種改進U形網(wǎng)絡(luò)的眼底圖像血管分割算法，使之能更好地分割出常規(guī)血管和新生血管，方便后續(xù)新生血管的檢測. 具體地，本文首先設(shè)計了一種改進型的U形網(wǎng)絡(luò)用于新生血管和常規(guī)血管分割. 然后使用一個滑動窗口對分割后的新生血管圖像進行完整遍歷，使用SVM對每一個窗口生成的子圖像內(nèi)的血管圖像按照特征信息進行分類，分類成普通血管或新生血管以完成檢測. 使用MESSIDOR數(shù)據(jù)集和Kaggle數(shù)據(jù)集進行方法的訓(xùn)練和測試. 實驗證明，改進型U形網(wǎng)絡(luò)對新生血管的分割精度高于原始U形網(wǎng)絡(luò)，本文提出的新生血管檢測方法可以準(zhǔn)確地對新生血管進行檢測.

1 ? 方 ? 法

本文提出的新生血管檢測方法流程如圖1所示. 首先對眼底圖像的綠色通道圖像進行預(yù)處理，預(yù)處理操作包括對比度受限的自適應(yīng)直方圖均衡化和伽馬變換，接著使用改進的U形網(wǎng)絡(luò)進行血管分割. 然后使用滑動窗口對分割出來的血管圖像進行遍歷，使用SVM對每個窗口中的血管圖像提取特征并分類，最后統(tǒng)計分類結(jié)果，根據(jù)分類結(jié)果確定該圖是否檢測到新生血管.

1.1 ? 預(yù)處理

彩色眼底圖像在綠色通道中整體對比度最高，細節(jié)損失最少，相較原圖可以更好地表現(xiàn)整體血管結(jié)構(gòu)[10]，因此，本文后續(xù)實驗操作都將在彩色眼底圖的綠色通道上完成.

在針對彩色眼底圖的視網(wǎng)膜新生血管處理中，新生血管像素所占整張眼底圖像素的比例非常低，使用形態(tài)學(xué)方法進行預(yù)處理會導(dǎo)致大量新生血管像素丟失，嚴(yán)重影響實驗結(jié)果. 為了保證眼底圖中新生血管結(jié)構(gòu)的信息完整，本文采用對比度受限的自適應(yīng)直方圖均衡化方法[10]和伽馬變換方法[10]來對眼底圖進行增強，改善圖像低對比度的情況，同時將對新生血管像素的影響降到最小.

1.2 ? 血管分割

為了提高對新生血管分割的準(zhǔn)確率，本文設(shè)計了一種改進型U形網(wǎng)絡(luò)并使用該網(wǎng)絡(luò)分割新生血管. 本文設(shè)計的改進型U形網(wǎng)絡(luò)在原始U形網(wǎng)絡(luò)的基礎(chǔ)上，引入了改進的殘差模塊（Improved ResBlock）[13]和金字塔場景解析（Pyramid Scene Parsing，PSP）池化模塊[14]，可以實現(xiàn)對新生血管圖像的語義分割，即將視覺輸入分為不同的語義可解釋類別，把同類的像素用同一種顏色進行標(biāo)記，每一種分類類別都具有對應(yīng)的現(xiàn)實意義. 在本文中，白色像素對應(yīng)血管，黑色像素對應(yīng)著除血管外的所有背景信息. 同時本文在所有卷積層之后執(zhí)行批歸一化操作，將每個批次的輸入進行歸一化處理，使模型在訓(xùn)練過程中更易于優(yōu)化，同時降低模型過擬合的風(fēng)險. 本文設(shè)計的改進U形網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示.

該網(wǎng)絡(luò)由下采樣路徑和上采樣路徑組成，其下采樣路徑通過下采樣操作逐漸減少圖像的空間維度，而上采樣路徑通過上采樣操作逐步修復(fù)圖像的細節(jié)和空間維度. 對于下采樣路徑和上采樣路徑中的每一個卷積層級，使用融合模塊實現(xiàn)對應(yīng)層級的圖像輸出特征的拼接，使網(wǎng)絡(luò)可以利用不同層級的圖像特征信息.

為了緩解網(wǎng)絡(luò)層數(shù)加深而引發(fā)的梯度消失問題[13]，在原始U形網(wǎng)絡(luò)每個卷積層之間，引入一系列的殘差模塊. 為了提高網(wǎng)絡(luò)的感受野，使網(wǎng)絡(luò)更好地捕捉上下文信息，在每一個殘差模塊中，除了已經(jīng)存在的兩個普通卷積的分支，本文設(shè)計的殘差模塊將額外引入一組空洞卷積分支[15]. 改進的殘差模塊結(jié)構(gòu)圖如圖3所示.

為了在網(wǎng)絡(luò)中引入更多的上下文信息，進一步融合網(wǎng)絡(luò)多尺度特征，本文在上采樣路徑和下采樣路徑之間引入了PSP 池化模塊. 該模塊將輸入從通道維度平均劃分為4個層級，針對劃分后的4個層級，分別對其使用1×1、2×2、3×3、6×6尺寸的池化核進行池化操作. 在每組池化的結(jié)果之后，采用原始特征數(shù)量1/4的1×1卷積實現(xiàn)特征維度的縮減，最終在4組池化后的特征上采樣到與輸入特征相同的尺寸，并進行特征的拼接，融合多尺度特征. 本文采用的PSP 池化模塊的結(jié)構(gòu)圖如圖4所示.

本網(wǎng)絡(luò)使用ReLU函數(shù)作為網(wǎng)絡(luò)激活函數(shù). 輸入的彩色眼底圖經(jīng)過改進型U形網(wǎng)絡(luò)的分割會輸出血管的二值圖，這些輸出圖像將用于新生血管的分類.

1.3 ? 血管分類

在Yu等[10]的研究中證明了，面對兩類樣本數(shù)量不均衡的情況下的新生血管二分類任務(wù)時，SVM比卷積神經(jīng)網(wǎng)絡(luò)有著更強的分類能力，可以極大地提高分類的效率和準(zhǔn)確性. 故本文使用SVM對經(jīng)過分割的新生血管圖像進行血管的分類.

在訓(xùn)練SVM的過程中，本文設(shè)置了一個滑動窗口，每個滑動窗口大小為50×50像素，按照從左至右，從上至下，步長為20像素的順序?qū)π律軋D像進行遍歷. 計算每個窗口內(nèi)的血管特征信息，比對專家的標(biāo)定結(jié)果附上屬于新生血管或不屬于新生血管的標(biāo)簽，形成一個訓(xùn)練樣本.

結(jié)合本文的應(yīng)用場景和新生血管的形態(tài)特征，采用血管段彎曲度平均值、血管段彎曲度方差、血管寬度平均值、血管寬度方差、血管段長度平均值、血管段長度方差、血管面積、血管分支點個數(shù)和血管段個數(shù)等9個參數(shù)作為樣本特征.

使用AngioTool軟件可以批量地從窗口中提取以上特征值. AngioTool是一款專業(yè)的血管分析工具，它可以快速并且準(zhǔn)確地測量一系列的血管形態(tài)學(xué)指標(biāo)和空間參數(shù). 本文所選取的9個特征值均可通過使用AngioTool獲取. AngioTool對血管圖像測量參數(shù)的效果如圖5所示.

在分類過程中，窗口每滑動一次都會對當(dāng)前窗口區(qū)域內(nèi)的圖像進行血管特征信息的計算，由訓(xùn)練好的SVM給出分類結(jié)果，判斷該窗口圖像內(nèi)是否包含新生血管.

2 ? 實驗設(shè)置與實驗結(jié)果

2.1 ? 實驗數(shù)據(jù)與實驗設(shè)置

本文分別從MESSIDOR數(shù)據(jù)集和Kaggle數(shù)據(jù)集中各挑選了29張和90張共119張包含新生血管的彩色眼底圖作為實驗材料，并將圖片分辨率統(tǒng)一調(diào)整至1 024×1 024像素. 這119張新生血管圖均由專家進行了新生血管區(qū)域的標(biāo)定.

此外，本文還從Kaggle數(shù)據(jù)集中隨機選取80張正常的彩色眼底圖像，統(tǒng)一分辨率1 024×1 024像素，作為負樣本參與檢驗本方法中新生血管分類器的性能.

本文的改進型U形網(wǎng)絡(luò)和SVM的訓(xùn)練和測試均使用Nvidia Titan Xp GPU，在Keras深度學(xué)習(xí)框架上進行.

對于改進型U形網(wǎng)絡(luò)的訓(xùn)練，為了避免訓(xùn)練數(shù)據(jù)過少而導(dǎo)致網(wǎng)絡(luò)訓(xùn)練過程中出現(xiàn)過擬合現(xiàn)象，本文從每一個訓(xùn)練集圖像中隨機提取等大小的10 000個圖像塊，38張圖像，共380 000個圖像塊參與訓(xùn)練，每一個圖像塊大小為48×48像素. 這38張圖像均配有專家標(biāo)定的金標(biāo)準(zhǔn)圖像.

本文采用隨機梯度下降的優(yōu)化函數(shù)來對網(wǎng)絡(luò)參數(shù)進行優(yōu)化，采用對數(shù)交叉熵代價函數(shù)作為損失函數(shù)來衡量網(wǎng)絡(luò)的分類誤差. 學(xué)習(xí)率初始化為0.01，每次訓(xùn)練38個圖像塊，共訓(xùn)練200輪.

對于SVM的訓(xùn)練，本文選取46張新生血管圖像，共9 026個帶標(biāo)簽的樣本（有效的窗口子圖像）參與訓(xùn)練. 測試集數(shù)據(jù)由80張正常眼底圖像和另外73張新生血管圖像組成.

在本文中，SVM的C參數(shù)值設(shè)為0.55. 使用K折交叉驗證方法，將訓(xùn)練數(shù)據(jù)隨機分為k個較小的子集，并在每次迭代中對數(shù)據(jù)的k-1部分訓(xùn)練模型. 數(shù)據(jù)的其余部分用作驗證和性能評估. 該過程重復(fù)k次，平均性能報告為總體性能. 在本文中，k=10.

2.2 ? 實驗指標(biāo)

對于新生血管分割網(wǎng)絡(luò)的分割結(jié)果評估，其分割結(jié)果將會與專家標(biāo)注的金標(biāo)準(zhǔn)血管圖進行比對，計算4種統(tǒng)計指標(biāo)：真陰性（true negative，TN）、真陽性（true positive，TP）、假陰性（false negative，F(xiàn)N）和假陽性（false positive，F(xiàn)P）. TN表示被正確地分為背景像素的像素點;TP表示被正確地分為血管像素的像素點;FN表示被錯誤地分為血管像素的像素點;FP表示被錯誤地分為背景像素的像素點.

對于分類器的分類結(jié)果評估，其分類結(jié)果將會與專家標(biāo)注的診斷結(jié)果進行比對，同樣計算4種統(tǒng)計指標(biāo)：TN、TP、FN和FP. 如果存在一個窗口將當(dāng)前的圖像區(qū)域正確地分類為新生血管區(qū)域，則該圖像正確地檢測到了新生血管，計入TP;如果所有窗口都將當(dāng)前的圖像區(qū)域正確地分類為非新生血管，則該圖像正確地被分類為不含新生血管圖像，計入TN;如果一張不包含新生血管的圖像存在一個窗口將當(dāng)前區(qū)域的圖像錯誤地分類為新生血管，則該圖像被錯誤地分類為新生血管圖像，計入FN;如果一張包含新生血管的圖像的所有窗口都將當(dāng)前圖像區(qū)域錯誤地分類為非新生血管，則該圖像被錯誤地分類為不含新生血管的圖像，計入FP.

對于血管分割和血管分類兩個任務(wù)，通過這4種統(tǒng)計指標(biāo)，進一步計算出3個評估指標(biāo)：特異性（Specificity，Sp）、靈敏度（Sensitivity，Sn）、準(zhǔn)確率（Accuracy，Acc），這3個評估指標(biāo)的計算方法為：

2.3 ? 實驗結(jié)果

改進型U形網(wǎng)絡(luò)對21張含新生血管的眼底圖像進行了分割測試，這21張圖像均帶有專家標(biāo)注的血管金標(biāo)準(zhǔn)圖像. 同樣地，使用原始U形網(wǎng)絡(luò)對這21張圖像進行分割測試. 兩個模型的分割結(jié)果對比見表1. 兩種模型對新生血管分割的結(jié)果對比見圖6.

由圖6可以看出，改進型U形網(wǎng)絡(luò)和原始U型網(wǎng)絡(luò)對于普通血管的分割效果相近. 但對于低對比度血管和細小血管的分割，改進型U形網(wǎng)絡(luò)效果明顯優(yōu)于原始U形網(wǎng)絡(luò).

由表1可知，本文提出的改進型U形網(wǎng)絡(luò)對新生血管的分割準(zhǔn)確率優(yōu)于原始U形網(wǎng)絡(luò)，達到87.60%. 改進型U形網(wǎng)絡(luò)對血管全局分割的效果見圖7.

分類器對153張眼底圖像進行了分類測試，這153張圖像中有73張圖像被專家標(biāo)注為含新生血管圖像，80張正常眼底圖像. 分類結(jié)果與其他新生血管檢測研究的對比見表2.

從表2可見，本文提出的方法最終取得了對新生血管分類準(zhǔn)確率95.96%、靈敏度91.10%、特異性97.16%的結(jié)果，對比其他已有研究結(jié)果，本文提出的方法在新生血管分類的準(zhǔn)確率和特異性上獲得了最優(yōu)的水平.

分類準(zhǔn)確率代表著分類器在進行分類任務(wù)時，對多個標(biāo)簽的樣本分類的總體正確率. 考慮到本文的實際情況是非新生血管標(biāo)簽數(shù)量遠大于新生血管標(biāo)簽數(shù)量，說明本文提出的方法對非新生血管區(qū)域可以更好地分類. 靈敏度在本文中代表著對新生血管區(qū)域分類的正確率，靈敏度越高，說明有更多的新生血管區(qū)域被正確地分類，有更少的非新生血管區(qū)域被錯誤地分類成新生血管區(qū)域. 特異性在本文中代表著對非新生血管區(qū)域分類的正確率，特異性越高，說明有更多的非新生血管區(qū)域被正確地分類，有更少的新生血管區(qū)域被錯誤地分類成非新生血管區(qū)域.

本文提出的方法對非新生血管區(qū)域分類的效果極佳，有很高的特異性. 這樣可以最大程度地避免在實際操作中將非新生血管區(qū)域誤診為新生血管. 本文的方法在整體的準(zhǔn)確率上也取得了最優(yōu)的水平. 綜合來看，本文提出的方法可以作為計算機輔助診斷方法輔助醫(yī)生進行新生血管的檢測.

3 ? 結(jié) ? 論

本文提出的改進型U形網(wǎng)絡(luò)對新生血管分割的效果優(yōu)于原始U形網(wǎng)絡(luò)，可以較好地分割新生血管. 本文提出的新生血管檢測方法相比目前文獻，在MESSIDOR數(shù)據(jù)集和Kaggle數(shù)據(jù)集上可以較好地檢測新生血管，且準(zhǔn)確率最高.

少量的新生血管圖像被本方法錯誤分類，這是因為新生血管并不是糖網(wǎng)病在眼底圖上會出現(xiàn)的唯一病癥，其他病癥如出血、滲出等會覆蓋新生血管，干擾檢測.

本文提出的方法可以用于計算機輔助診斷，幫助醫(yī)生做出決策. 今后將構(gòu)建專門的新生血管圖像數(shù)據(jù)庫，進一步優(yōu)化分割神經(jīng)網(wǎng)絡(luò)和新生血管分類器，尋找有效的噪聲消除方法，提高本方法對新生血管檢測的準(zhǔn)確率和魯棒性.

參考文獻

[1] ? ?張承芬. 眼底病學(xué)[M]. 北京：人民衛(wèi)生出版社，2010：261-281.

ZHANG C F. Diseases of ocular fundus [M]. Beijing：Peoples Medical Publishing House，2010：261—281.（In Chinese）

[2] ? ?中華醫(yī)學(xué)會眼科學(xué)會眼底病學(xué)組. 我國糖尿病視網(wǎng)膜病變臨床診療指南[J]. 中華眼科雜志，2014，50（11）：854—861.

Ophthalmology Group of Ophthalmology Society of Chinese Medical Association. Guidelines for clinical diagnosis and treatment of diabetic retinopathy in China[J]. Chinese Journal of Ophthalmology，2014，50（11）：854—861. （In Chinese）

[3] ? AGURTO C，YU H，MURRAY V. Detection of neovascularization in the optic disc using an AM-FM representation granulometry and vessel segmentation[C]//Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Piscataway，United States：IEEE Press，2012：4946—4949.

[4] ? ?GOATMAN K A，F(xiàn)LEMING A D，PHILIP S. Detection of new vessels on the optic disc using retinal photographs[J]. IEEE Transactions on Medical Imaging，2011，30（4）：972—979.

[5] ? ?HASSAN S S A，BONG D B L，PREMSENTHIL M. Detection of neovascularization in diabetic retinopathy[J]. Journal of Digital Imaging，2012，25（3）：437—444.

[6] ? ?MARYAM V. A feasibility study on detection of neovascularization in retinal color images using texture [J]. IEEE Journal of Biomedical and Health Informatics，2014，21（1）：184—192.

[7] ? ?WELIKALA R A，DEHMESHKI J，HOPPE A，et al. Automated detection of proliferative diabetic retinopathy using a modified line operator and dual classification[J]. Compute Methods Programs Biomed，2014，114（3）：247—261.

[8] ? ?GUPTA G，KULASEKARAN S，RAM K，et al. Local characterization of neovascularization and identification of proliferative diabetic retinopathy in retinal fundus images[J]. Computerized Medical Imaging and Graphics，2017，55（S C）：124—132.

[9] ? ?PUJITHA A K，JAHNAVI G S，SIVASWAMY J. Detection of neovascularization in retinal images using semi-supervised learning[C]//International Symposium on Biomedical Imaging. Beijing，China：ISBI，2017：688—691.

[10] ?YU S，XIAO D，KANAGASINGAM Y. Machine learning based automatic neovascularization detection on optic disc region[J]. IEEE Journal of Biomedical and Health Informatics，2018，22（3），886—894.

[11] ?RONNEBERGER O，F(xiàn)ISCHER P，BROX T. U-net：Convolutional networks for biomedical image segmentation[C]//International Conference on Medical image computing and computer-assisted intervention.Berlin，Germany：Springer，Cham，2015：234—241.

[12] ?SONG J，LEE B. Development of automatic retinal vessel segmentation method in fundus images via convolutional neural networks[C]//2017 Annual International Conference of the IEEE Engineering in Medicine and Biology Society.Piscataway，United States：IEEE Press，2017：681—684.

[13] ?HE K，ZHANG X，REN S，et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Piscataway，United States：IEEE Press，2016：770—778.

[14] ?ZHAO H，SHI J，QI X，et al. Pyramid scene parsing network[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Piscataway，United States：IEEE Press，2017：2881—2890.

[15] ?CHEN L C，PAPANDREOU G，KOKKINOS I，et al. Deeplab：Semantic image segmentation with deep convolutional nets，atrous convolution，and fully connected CRFs[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，40（4）：834—848.

收稿日期：2020-04-10

基金項目：國家自然科學(xué)基金資助項目（61573380，61702559），National Natural Science Foundation of China（61573380，61702559）;國家重大科技專項（2018AAA0102100），National Science and Technology Major Project of the Ministry of Science and Technology of China（2018AAA0102100）

作者簡介：鄒北驥（1961—），男，江西南昌人，中南大學(xué)教授

通信聯(lián)系人，E-mail：446253846@qq.com