丁婉瑩，陳 偉，李昭慧

(西安科技大學(xué)通信與信息工程學(xué)院，陜西 西安 710000)

0 引 言

眼睛是不可或缺的人體器官，它接收的信息占據(jù)人們收到的總體信息的80%以上[1]，其健康與人類生活不可分割?，F(xiàn)今醫(yī)生在眼部疾病診斷時主要依靠眼底圖像來判斷，某些器官的狀態(tài)也可以通過眼底圖像的變換展示出來[2]。眼底血管分割是醫(yī)生根據(jù)眼底圖像診斷病人狀況的決定性條件，對于臨床醫(yī)學(xué)有著重要的意義，因此為了醫(yī)生能有效地診斷疾病，對視網(wǎng)膜血管圖像的分割是必要的[3]。

在進(jìn)行眼底視網(wǎng)膜疾病的有關(guān)診斷時，依照經(jīng)驗對視網(wǎng)膜血管進(jìn)行人工手動分割是現(xiàn)階段醫(yī)生常用的方法。由于這種方法存在眼底血管散布致密、對比度低的問題，可能還有出血點、滲出物等病變，以及大量的微細(xì)血管與病灶噪聲的影響相結(jié)合，致使傳統(tǒng)的手動分割工作量變得很龐大，依賴人工手動分割血管會出現(xiàn)效率低下，易受主觀性影響、出錯率較高等問題。

眼底血管分割技術(shù)從本質(zhì)上可以看作是眼底血管圖像中的血管像素與背景像素的二分類問題。近年以來，國內(nèi)外專家學(xué)者針對眼底血管的分割問題提出了大量算法，將這些方法依照是否應(yīng)用到標(biāo)準(zhǔn)圖像，可劃分為2種：無監(jiān)督學(xué)習(xí)分割方法和有監(jiān)督學(xué)習(xí)分割方法[4]。無監(jiān)督學(xué)習(xí)分割方法最顯著的特點是不需要人工事先標(biāo)記信息，直接在圖像上提取血管，可以將無監(jiān)督學(xué)習(xí)細(xì)分為匹配過濾[5]、血管跟蹤[6]、形態(tài)處理[7]和變形模型等方法，其優(yōu)點是工作量小，分割工作效率高；缺點是無法分割出細(xì)微血管并且存在準(zhǔn)確率不高的問題。有監(jiān)督的分割方法則通過從經(jīng)驗豐富的眼科醫(yī)生標(biāo)記過信息的圖像訓(xùn)練集中學(xué)習(xí)模型來進(jìn)行視網(wǎng)膜血管的分割，再利用已有的人工標(biāo)識信息，以區(qū)別血管像素和非血管像素。該方法對血管特征信息更為敏感，可靠性和穩(wěn)定性較強(qiáng)?，F(xiàn)今對視網(wǎng)膜血管分割研究中，最為廣泛的是以深度學(xué)習(xí)為基礎(chǔ)的有監(jiān)督學(xué)習(xí)方法。唐明軒等[8]通過使用稠密連接等技術(shù)，構(gòu)建一種新型的深度卷積神經(jīng)網(wǎng)絡(luò)，并結(jié)合帶孔卷積來增加網(wǎng)絡(luò)血管分割精度，但存在分割敏感度較低問題。Orando等[9]人在視網(wǎng)膜血管分割上成功將密集型條件隨機(jī)場與卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Netural Networks， CNN)相融合，在圖像中建立了遠(yuǎn)程鏈接，收縮偏差得以解決，但有病變假分割的現(xiàn)象。Guo等[10]提出了降低上下采樣次數(shù)，將U-Net網(wǎng)絡(luò)與殘差網(wǎng)絡(luò)相結(jié)合的模型算法，改善了分割準(zhǔn)確率不高的問題，但對于病灶區(qū)域細(xì)微血管分割仍不完整，且特異性指標(biāo)沒有提升。Xiao等[11]研究得出了一種U-Net的網(wǎng)絡(luò)模型算法，將U-Net網(wǎng)絡(luò)與帶有加權(quán)注意力機(jī)制的模型共同用于血管的分割，但是U-Net方法依然隨著訓(xùn)練數(shù)據(jù)的擴(kuò)大和網(wǎng)絡(luò)層的加深，存在分割結(jié)果在細(xì)微血管不能很好識別、復(fù)雜曲度形態(tài)血管丟失且分割靈敏度指標(biāo)較低的問題。

為了降低眼底血管分割的微細(xì)血管細(xì)節(jié)丟失，提高分割準(zhǔn)確度和靈敏度，使得自動分割技術(shù)更好地用于臨床診斷，本文基于原始的編碼解碼模塊中U-Net模型作優(yōu)化改進(jìn)設(shè)計。首先，將傳統(tǒng)U型編解碼網(wǎng)絡(luò)中的卷積模塊用殘差網(wǎng)絡(luò)(Residual Network， ResNet)替換，并加入短跳躍連接將高低多特征相融合，從而更完整地達(dá)到對細(xì)微血管的分割；其次，用空洞卷積代替卷積塊，用于擴(kuò)大感受野和提高網(wǎng)絡(luò)提取血管特征的能力，提高網(wǎng)絡(luò)泛化能力；最后，基于U-Net模型的跳躍結(jié)構(gòu)，在解碼階段添加注意力模塊(Attention Gate block， AG)，將目標(biāo)集中在血管的特征上，高維特征和低維特征的信息融合被強(qiáng)化，以減小視網(wǎng)膜血管信息的損失，最終實現(xiàn)更好的分割性能。

1 視網(wǎng)膜圖像分割算法原理

1.1 算法原理

1.1.1 殘差網(wǎng)絡(luò)與多特征融合連接

殘差學(xué)習(xí)[12]是從CNN改進(jìn)技術(shù)中提出的，即將輸入結(jié)果直接增加到底層，可表示為：

F(x)=H(x)-x

(1)

其中，網(wǎng)絡(luò)層的函數(shù)映射為H(x)，輸入特征映射為x，F(xiàn)(x)為網(wǎng)絡(luò)中的隱藏層輸出結(jié)果。殘差網(wǎng)絡(luò)的使用降低了訓(xùn)練參數(shù)，并且改善了神經(jīng)網(wǎng)絡(luò)隨著網(wǎng)絡(luò)層數(shù)增多而導(dǎo)致的網(wǎng)絡(luò)退化，克服梯度消失的產(chǎn)生。

圖1 殘差模塊

本文將原始卷積模塊改為殘差模塊，殘差模塊定義如圖1所示。其中input為網(wǎng)絡(luò)的輸入或上一個結(jié)構(gòu)塊的輸出，每一個結(jié)構(gòu)塊是由3個conv 3×3+BN+ReLU和1個1×1的卷積層組成的。其中conv指的是卷積層，BN為批量歸一化，ReLU為激活函數(shù)[13]。在卷積層和激活函數(shù)間加入批量歸一化函數(shù)BN層[14]解決了網(wǎng)絡(luò)層數(shù)過多導(dǎo)致網(wǎng)絡(luò)泛化能力差的問題，由于每組用來訓(xùn)練的圖像塊都是隨機(jī)選取，網(wǎng)絡(luò)要每次去學(xué)習(xí)不同的分布,因此會致使網(wǎng)絡(luò)訓(xùn)練速度變慢[15]。ReLU激活函數(shù)可以降低反向傳播過程中的梯度消失問題，減少網(wǎng)絡(luò)計算繁瑣程度，其定義為：

ReLU(x)=max(x,0)

(2)

式(2)中，僅當(dāng)x>0時導(dǎo)數(shù)值恒為1，能夠減弱梯度消失的問題；再輸入到1×1的卷積層中進(jìn)行壓縮,在解決訓(xùn)練參數(shù)過多問題的同時完成對圖像特征的提取。

卷積層之間使用短跳躍連接，將本層的卷積結(jié)果和上一層的卷積結(jié)果相互累加，作為下一層的輸入，最后疊加作為結(jié)構(gòu)塊的輸出，這種方式可以改善深度神經(jīng)網(wǎng)絡(luò)隨著網(wǎng)絡(luò)層數(shù)增多而出現(xiàn)的網(wǎng)絡(luò)退化問題，在很大程度上避免了梯度爆炸和梯度消失[16]的發(fā)生，也提高了特征使用率，使得特征信息能夠被充分利用。

1.1.2 空洞卷積

池化層在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)中，對減小圖像大小和增大特征映射圖的步長有益，然而也存在細(xì)節(jié)丟失、細(xì)微血管的分割不完整且容易產(chǎn)生斷裂等問題[17]。在卷積神經(jīng)網(wǎng)絡(luò)中,卷積核越大,對應(yīng)的感受野也越大，也就易導(dǎo)致訓(xùn)練中數(shù)據(jù)的過擬合。對于此類問題Chen等[18]提出了一種空洞卷積的方法，這種方式擴(kuò)大了感受野，不僅參數(shù)數(shù)量不會增加，而且保留了更多眼底圖像細(xì)節(jié)。空洞卷積的基本原理即在普通卷積核像素間插入為0的像素值，用以增大網(wǎng)絡(luò)的擴(kuò)張率r。如圖2所示，當(dāng)r=1時，為3×3空洞卷積核；當(dāng)r=2時，為5×5空洞卷積核。通過調(diào)整r的數(shù)值大小，來達(dá)到感受野大小的調(diào)整。

(a) r=1 (b) r=2圖2 空洞卷積示意圖

本文將傳統(tǒng)U-Net網(wǎng)絡(luò)底部的卷積層模塊[19]用空洞卷積替換，增大了卷積操作的感受野，不僅沒有增加網(wǎng)絡(luò)參數(shù)復(fù)雜度，而且更全面地應(yīng)用了圖像的全部信息。

1.1.3 AG模塊

視網(wǎng)膜血管分割圖像中存在背景噪聲對血管像素點進(jìn)行遮擋的問題，為了使得低對比度下的細(xì)微血管分割精度得以改良，剔除掉不相干像素點信息對血管像素點信息的影響，本文在解碼部分加入AG(Attention Gate, 注意力門)[20]，使AG與跳躍連接方式相結(jié)合，解決了編碼器與解碼器之間跳躍連接這種上下采樣相連接的方式導(dǎo)致的無法對細(xì)小和復(fù)雜血管進(jìn)行分割及權(quán)重分散的問題。AG模塊結(jié)構(gòu)如圖3所示。

圖3 AG模塊原理圖

該模塊定義為：

(3)

(4)

(5)

y(i,j)=λ{(lán)F[v(i,j)+k(i,j),bF],bλ}

(6)

(7)

AG是通過對輸入特征圖與選通信號進(jìn)行分析[21]，得到與其對應(yīng)的相關(guān)注意力系數(shù)。如圖3所示將編碼、解碼的矩陣相加得到注意力圖，再通過ReLU激活函數(shù)和sigmoid操作獲得下一個注意力圖，再用Resampler進(jìn)行重采樣把圖變?yōu)樵汲叽纾又鴮⒌玫降淖⒁饬D與跳躍連接部分相乘，得到最終注意力圖像。加入注意力模塊跳過池化層直接級聯(lián)到下一個反卷積層，以此將互補特征信息相融合，將高層信息與底層信息相結(jié)合，對視網(wǎng)膜圖像微細(xì)血管的特征提取有益，提升血管分割精度。

1.2 基于編解碼結(jié)構(gòu)的多特征融合改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)

針對眼底視網(wǎng)膜血管圖像分割中由病變、光照等因素，造成微細(xì)血管細(xì)節(jié)丟失、分割精度低的問題[22]，本文設(shè)計出一種基于編解碼中U型網(wǎng)絡(luò)改進(jìn)的模型算法，如圖4所示。圖4中包括了3個階段：編碼階段、空洞卷積和解碼階段。

圖4 改進(jìn)U-Net視網(wǎng)膜血管分割網(wǎng)絡(luò)結(jié)構(gòu)

編碼階段由4個結(jié)構(gòu)塊構(gòu)成，用以對圖像進(jìn)行特征提取，每個結(jié)構(gòu)塊是由下采樣和卷積層組成，其卷積層尺寸均為3×3，特征通道數(shù)為64。其中將卷積模塊替換成為了殘差模塊，使用ReLU激活函數(shù)和BN層解決了網(wǎng)絡(luò)層數(shù)過多導(dǎo)致網(wǎng)絡(luò)泛化能力差的問題，用來提高特征使用率。結(jié)構(gòu)塊通過步長為2的池化層相連接。

將U-Net網(wǎng)絡(luò)模型底部的原始卷積層模塊替換成為空洞卷積模塊，將特征圖大小降為原來的1/2，本文加入的空洞卷積模塊比原始卷積塊增加了大小為3的空洞率參數(shù)，感受野得到擴(kuò)增，保留了更多的圖像細(xì)節(jié)，防止了血管分割細(xì)節(jié)斷裂不完整的問題。

解碼階段由4個結(jié)構(gòu)塊構(gòu)成，用以對提取之后的特征進(jìn)行上采樣，每個結(jié)構(gòu)塊是由上采樣和卷積層組成，卷積層尺寸同為3×3，結(jié)構(gòu)與編碼模塊相同，最高解碼層為1×1的卷積層，用以輸出分割結(jié)果。在解碼階段與編碼階段引入AG，結(jié)合原始U-Net網(wǎng)絡(luò)的跳躍連接結(jié)構(gòu)，將多特征進(jìn)行融合，有效降低視網(wǎng)膜血管信息丟失概率，提升分割精度，恢復(fù)圖像信息。

2 實驗及結(jié)果分析

2.1 實驗數(shù)據(jù)集

DRIVE數(shù)據(jù)庫是現(xiàn)今利用最廣的視網(wǎng)膜圖像標(biāo)準(zhǔn)庫之一[23]，DRIVE數(shù)據(jù)庫中的圖像以JPEG格式儲存，共40張眼底圖像，分辨率均為565×584像素。將DRIVE數(shù)據(jù)集中的眼底圖像分為訓(xùn)練集和測試集這2組，每組為20張圖像。訓(xùn)練集和測試集中分別有1組和2組的專家手動分割血管結(jié)果的圖像，用于實驗對比。CHASE-DB1數(shù)據(jù)庫是14位患者的雙眼拍攝圖像，共28張，分辨率均為999×960，其中20張用于訓(xùn)練，8張用于測試，每張圖像均包含眼底圖片和專家手動分割血管圖像。掩模Mask圖像是通過閾值劃分手動分割得到的。圖5展示了CHASE-DB1數(shù)據(jù)集中的一組數(shù)據(jù)。

圖5 CHASE-DB1數(shù)據(jù)集中的一組數(shù)據(jù)

2.2 預(yù)處理與擴(kuò)增

原始的彩色眼底圖像中，由于受到眼球運動、光照、血管造影程度等影響而存在較多的噪聲且對比度低，因此直接分割血管樹與背景會使相似像素的同一特征區(qū)分度較低，同時較多的噪聲會大大影響分割結(jié)果。為了給后期視網(wǎng)膜血管分割提供更優(yōu)的研究對象，需要通過對原始圖像進(jìn)行預(yù)處理來提升對比度。預(yù)處理效果圖如圖6所示。

(a) 眼底圖像 (b) 綠色通道圖像 (c) CLAHE處理 (d) Gamma變換圖6 眼底圖像預(yù)處理

預(yù)處理首先是分離綠色通道圖像。DRIVE數(shù)據(jù)庫的原始圖像為RGB圖像，提取出每個通道的眼底圖像經(jīng)比較后得出，血管和背景能夠有最佳對比的通道為綠色通道，可較好地觀察到微細(xì)血管紋理，對后續(xù)血管分割有幫助。

其次是對提取出的綠色通道眼底圖像做對比受限的自適應(yīng)直方圖均衡化(Contrast-limited Adaptive Histogram Equalization， CLAHE)來進(jìn)行數(shù)據(jù)增強(qiáng)。為更好地顯現(xiàn)血管結(jié)構(gòu)，解決眼底圖像采集時會發(fā)生光照不均勻的問題，調(diào)節(jié)圖像的灰度直方圖，用以增加圖像局部區(qū)域?qū)Ρ榷炔⒔档捅尘霸肼暤母蓴_。實驗結(jié)果如圖7所示。

(a) 原圖 (b) 處理后的圖像圖7 CLAHE處理結(jié)果

最后使用伽馬矯正[24]對眼底圖像進(jìn)行處理，即為協(xié)調(diào)自然亮度和主觀灰階之間的映射關(guān)系，通過檢驗眼底圖像中的深色區(qū)域和淺色區(qū)域，加大兩者的比重差距來增大圖像背景與血管的對比度。實驗結(jié)果如圖8所示。

(a) 原圖 (b) 矯正后的圖像圖8 伽馬矯正結(jié)果

由于眼底視網(wǎng)膜圖像數(shù)據(jù)數(shù)量較小，直接使用會發(fā)生過擬合現(xiàn)象，并且眼底數(shù)據(jù)集圖像的規(guī)格略大，直接輸入訓(xùn)練也會對網(wǎng)絡(luò)模型的訓(xùn)練造成一定的難度。基于這2種原因需要對眼底視網(wǎng)膜圖像做數(shù)據(jù)集擴(kuò)充的處理。采用patch剪裁，隨機(jī)剪裁為48×48的子圖像塊用以網(wǎng)絡(luò)訓(xùn)練，此方法在去除掉噪聲影響的同時，還可對眼底圖像特征進(jìn)行較為完整的保存。

本實驗從完整眼底視網(wǎng)膜圖像里用隨機(jī)的方式選擇中心來剪裁得到統(tǒng)一大小的子圖像，而子圖像的選取范圍包括了在視野之外的斑塊，這樣可以使神經(jīng)網(wǎng)絡(luò)能學(xué)習(xí)怎樣分辨視野邊界與血管。通過在20張DRIVE訓(xùn)練圖像里的每一張圖像中隨機(jī)提取10000個patches，獲得了一組200000個局部樣本塊。實驗結(jié)果如圖9所示。

(a) 圖像分塊處理圖 (b) 處理的Ground truth圖圖9 處理的局部樣本塊圖

2.3 網(wǎng)絡(luò)參數(shù)設(shè)置

實驗計算機(jī)環(huán)境配置為Intel(R)Core(TM)i7-9700F CPU@3.00 GHz處理器，顯卡為NVIDIA GeForce RTX2070 GPU，采用64 bit Windows 10操作系統(tǒng)。本實驗的仿真平臺是PyCharm，在Tensorflow框架下Keras開發(fā)庫上進(jìn)行本實驗的網(wǎng)絡(luò)搭建。

2.4 評估指標(biāo)

視網(wǎng)膜圖像血管的語義分割網(wǎng)絡(luò)的實質(zhì)任務(wù)就是對圖像進(jìn)行像素點級別的分類，將眼底圖像分為血管像素點和非血管像素點。本文采取準(zhǔn)確率(Acc)、敏感性(Se)和特異性(Sp)3個指標(biāo)[25]作為視網(wǎng)膜血管分割算法的性能評價標(biāo)準(zhǔn)。這3個指標(biāo)概念分別為：準(zhǔn)確率是被正確分割的像素數(shù)比圖像全部像素數(shù)；特異性是正確分割的非血管像素數(shù)比總非血管像素數(shù)；敏感性是正確分割的血管像素數(shù)比血管像素總數(shù)量。根據(jù)表1的計算公式，分割效果與準(zhǔn)確率、敏感性和特異性的值成正比。

表1 血管分割結(jié)果評估標(biāo)準(zhǔn)

表1中，TP(True Positive)是真陽性，表示視網(wǎng)膜圖像中的像素被語義分割網(wǎng)絡(luò)認(rèn)為是血管并且預(yù)測準(zhǔn)確；TN(True Negative)是真陰性，表示被認(rèn)為是非血管并且預(yù)測準(zhǔn)確；FP(False Positive)是假陽性，即誤報率，表示被認(rèn)為是血管，但實際上是非血管；FN(False Negative)是假陰性，即漏報率，表示被認(rèn)為是非血管，但實際上是血管。

此外，本文還引入了模型評價指標(biāo)AUC(Area Under Curve)[26]對分割結(jié)果進(jìn)行評估。AUC定義為接收者操作曲線(Receiver Operating Characteristic Curve， ROC)的線下面積，其大小不大于1。而ROC曲線即為以縱坐標(biāo)為Se，橫坐標(biāo)為(1-Sp)繪制的一條曲線。ROC曲線的位置通常處在y=x這條線的上部分，故AUC的取值范圍在0.5～1。因此檢測方法的真實性要達(dá)到高水平，AUC值則要向1.0靠近。

2.5 實驗結(jié)果與分析

將本文研究方法在DRIVE和CHASE-DB1眼底圖像數(shù)據(jù)庫上進(jìn)行實驗，視網(wǎng)膜分割結(jié)果如圖10與圖11所示。圖10(a)和圖11(a)列為原始的眼底圖像，圖10(b)和圖11(b)列為人工手動分割的標(biāo)準(zhǔn)眼底血管圖像，圖10(c)和圖11(c)列為本文方法實驗得到的眼底血管分割結(jié)果。從實驗結(jié)果觀察可看出，本文方法分割出的視網(wǎng)膜血管跟專家手動標(biāo)準(zhǔn)圖像基本一致，并且對于細(xì)小血管檢測分割不完整的問題得到了改善，在血管復(fù)雜處分割結(jié)果也較優(yōu)。視網(wǎng)膜血管復(fù)雜密集，且容易受到自身病變與外界因素的影響，本文使用的是將殘差網(wǎng)絡(luò)、空洞卷積和注意力模塊結(jié)合的網(wǎng)絡(luò)結(jié)構(gòu)，可以在分割細(xì)小血管的同時，有效識別不同特征的血管,克服外界因素對血管分割的問題。

(a) 原始圖像 (b) 標(biāo)準(zhǔn)圖像 (c) 分割結(jié)果圖像圖10 DRIVE數(shù)據(jù)集上的分割結(jié)果

(a) 原始圖像 (b) 標(biāo)準(zhǔn)圖像 (c) 分割結(jié)果圖像圖11 CHASE-DB1數(shù)據(jù)集上的分割結(jié)果

2.6 算法改進(jìn)前后對比

為了檢測模塊改進(jìn)前后對視網(wǎng)膜血管分割的算法性能，進(jìn)一步證明模型改進(jìn)的有效性，對本文提出的基于編解碼結(jié)構(gòu)的多特征融合改進(jìn)網(wǎng)絡(luò)進(jìn)行消融實驗。將原始U-Net表示為T1，將原始U型網(wǎng)絡(luò)中殘差模塊代替卷積模塊表示為T2，將AG機(jī)制與原U型網(wǎng)絡(luò)結(jié)合表示為T3，將本文方法表示為T4，分別在DRIVE數(shù)據(jù)庫上做實驗，進(jìn)行對比，并將每組實驗迭代次數(shù)均設(shè)為100。實驗所得結(jié)果如表2所示。

表2 改進(jìn)前后不同模塊實驗指標(biāo)對比

由表2可看出在消融實驗中，原U型網(wǎng)絡(luò)中用殘差模塊代替卷積模塊模型的T2實驗相比于T1的原始U-Net網(wǎng)絡(luò)模型，Sp、Se值都有明顯的提升，說明殘差模塊的加入可以有效提高實驗中的特征使用率，使得網(wǎng)絡(luò)分割性能優(yōu)化；將AG機(jī)制與U型網(wǎng)絡(luò)模型相結(jié)合的T3實驗相比于T2實驗，Se、Acc值得到明顯提高，說明注意力機(jī)制模塊比殘差模塊更能將高低特征更好融合，提高了細(xì)微血管的分割精度；本文的改進(jìn)模型實驗T4相比于原始U-Net網(wǎng)絡(luò)模型和只包含單個改進(jìn)模塊的T2、T3實驗，Se、Sp、Acc和AUC的值均得到了大幅提升，能夠?qū)ρ鄣讏D像血管的細(xì)微部分實現(xiàn)更加精準(zhǔn)、穩(wěn)定的分割效果。

為更加直觀地看出本文研究的改進(jìn)效果，圖12對血管的具體局部細(xì)微處進(jìn)行展示對比，其中，圖12(a)列為原始眼底圖像局部血管圖，圖12(b)列為標(biāo)準(zhǔn)圖像，圖12(c)列為原始U-Net分割效果，圖12(d)列為本文實驗分割效果?？梢悦黠@看出原始U-Net模型對于細(xì)微血管存在分割斷裂不連續(xù)問題，部分血管細(xì)節(jié)也存在缺失，而本文的算法模型使細(xì)微血管連續(xù)性大幅提升，解決了血管分割的斷裂問題，加入的殘差模塊與AG提高了血管特征的使用率，抑制了背景噪聲對分割的影響。綜上所述，本文的改進(jìn)算法模型對于眼底圖像血管的分割優(yōu)化具有效性。

(a) 眼底原圖 (b) 標(biāo)準(zhǔn)分割圖 (c) 原始U-Net模型分割 (d) 本文算法分割圖12 局部細(xì)節(jié)分割對比圖

2.7 不同算法分割指標(biāo)對比

為了進(jìn)一步評價本文在視網(wǎng)膜血管分割方法上的優(yōu)化效果，對評估指標(biāo)準(zhǔn)確率、特異性、靈敏度及AUC的數(shù)值進(jìn)行對比，表2和表3分別列出了近幾年視網(wǎng)膜血管分割方法在DRIVE以及CHASE-DB1數(shù)據(jù)庫上的分割效果。

表3 不同算法在DRIVE數(shù)據(jù)庫上的實驗結(jié)果對比

表4 不同算法在CHASE-DB1數(shù)據(jù)庫上的實驗結(jié)果對比

對于DRIVE數(shù)據(jù)集本文方法的血管分割準(zhǔn)確率達(dá)到了0.9677，特異性達(dá)到了0.9874，靈敏度達(dá)到了0.8093，AUC值為0.9855；對于CHASE-DB1數(shù)據(jù)集本方法的血管分割準(zhǔn)確率達(dá)到0.9722，特異性達(dá)到0.9840，靈敏度達(dá)到0.8112，AUC值為0.9863，可得出本文方法相比較于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)在準(zhǔn)確率、特異性和靈敏度上均得到了提升，整體性能較優(yōu)。總之，通過比較可知，本文提出的網(wǎng)絡(luò)結(jié)構(gòu)在DRIVE數(shù)據(jù)庫和CHASE-DB1數(shù)據(jù)庫上的血管分割效果優(yōu)于表3、表4中所列文獻(xiàn)近年來分割方法及傳統(tǒng)U型網(wǎng)絡(luò)性能，能夠更為準(zhǔn)確地分割出細(xì)小血管。

3 結(jié)束語

視網(wǎng)膜血管診斷對防治疾病有著良好的發(fā)展前景，由于其易受外界和病變因素影響，細(xì)小血管的精確高效分割是需要研究的關(guān)鍵問題。本文提出的基于編碼解碼結(jié)構(gòu)的多特征融合網(wǎng)絡(luò)，基于U型網(wǎng)絡(luò)，使用了Resnet、殘差模塊加入短跳躍連接、空洞卷積以及添加AG對特征信息加強(qiáng)，不僅擴(kuò)展感受野和提高網(wǎng)絡(luò)提取血管特征的能力，網(wǎng)絡(luò)泛化水平升高，而且將多特征進(jìn)行融合，減小了視網(wǎng)膜血管信息丟失以實現(xiàn)更好的分割性能。實驗結(jié)果表明，本文算法模型能夠在DRIVE與CHASE-DB1眼底數(shù)據(jù)集上，較精準(zhǔn)地實現(xiàn)微細(xì)血管的分割，相較原始血管分割方法整體性能有一定程度的提升，具有較好的圖像分割性能。在下一步研究中，計劃針對靈敏度較低以及細(xì)微血管斷裂不全等問題，探索更加精準(zhǔn)的視網(wǎng)膜血管分割方法。