低尺度血管檢測(cè)在視網(wǎng)膜血管分割中的應(yīng)用*

吳鑫鑫，肖志勇，劉 辰

江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院，江蘇 無(wú)錫214122

1 引言

報(bào)告顯示，截至2017 年，全球約4.25 億成人患糖尿病，占總?cè)丝诘?.8%，預(yù)計(jì)到2045 年，糖尿病患者可能達(dá)到6.29 億。2017 年全球糖尿病患者（20～79歲）分布中，中國(guó)達(dá)到了1.144 億，排在第一位。據(jù)評(píng)估，全球有多達(dá)2.124 億人或所有20～79 歲糖尿病患者的一半不知道已患病[1]。并且已知病史的糖尿病患者中，視網(wǎng)膜病變的患病率高達(dá)65.2%[2]。視網(wǎng)膜血管的形態(tài)、寬度、角度等信息可以直接用于疾病的診斷和篩選[3]，因此早期的檢測(cè)很重要。

傳統(tǒng)的檢測(cè)需要醫(yī)生手工標(biāo)注血管，任務(wù)量大，需要耗費(fèi)近兩小時(shí)[4]來(lái)完成一張圖片的血管分割。為了節(jié)約人力，提高效率，需要借助計(jì)算機(jī)輔助，自動(dòng)化地分割血管。視網(wǎng)膜血管分割方法主要有兩大類(lèi)：一類(lèi)是非監(jiān)督學(xué)習(xí)的分割方法；另一類(lèi)是監(jiān)督學(xué)習(xí)的分割方法。

非監(jiān)督學(xué)習(xí)方法主要是根據(jù)血管的某個(gè)或者多個(gè)特性來(lái)提取血管。主要有基于形態(tài)學(xué)的方法、基于血管跟蹤的方法、基于匹配濾波的方法和基于形變模型的方法。其中基于形態(tài)學(xué)的方法[4-6]，主要利用了血管比背景亮度低的特點(diǎn)，通過(guò)形態(tài)學(xué)膨脹腐蝕等操作，能很好地檢測(cè)出大部分血管。但是此類(lèi)方法對(duì)高亮度區(qū)域（視盤(pán)、光斑）較敏感，并且對(duì)比度較小的血管以及細(xì)小的血管檢測(cè)效果不太理想。基于匹配濾波的方法，主要利用血管具有較小的曲率，并且血管的橫截面近似于高斯曲線的特性。最常見(jiàn)的有高斯濾波[5]、Gabor 濾波[7]，操作簡(jiǎn)單，但是對(duì)噪音的影響較大。Azzopardi 等人[8]設(shè)計(jì)出了B-COSFIRE濾波器，該濾波器可以對(duì)不同方向上的血管主干和末端進(jìn)行精確檢測(cè)，尤其對(duì)細(xì)小的血管有很好的檢測(cè)效果。基于血管跟蹤的方法[9-10]，主要利用了血管連續(xù)的特點(diǎn)，找到起始點(diǎn)，沿著血管網(wǎng)絡(luò)不斷延伸，直到滿(mǎn)足終止條件停止。自動(dòng)跟蹤算法的難點(diǎn)在于初始種子點(diǎn)的設(shè)定，人為的設(shè)定需要增加人工負(fù)擔(dān)，自動(dòng)設(shè)定需要精確定位到血管內(nèi)部。好的跟蹤算法不僅能檢測(cè)連續(xù)血管，還需要能夠檢測(cè)連續(xù)的血管段，這樣才不會(huì)由于血管的局部連續(xù)而過(guò)早結(jié)束。基于幾何形變模型的方法[11-12]，主要是用連續(xù)的曲線來(lái)描述血管的輪廓。邊界曲線通過(guò)能量函數(shù)的參數(shù)定義，為了使能量函數(shù)達(dá)到最小值，邊界會(huì)在力的作用下，向血管的邊界靠近，使得邊界上的點(diǎn)處于穩(wěn)定狀態(tài)。這種方法對(duì)邊界敏感，因此背景中的相似部分以及噪音會(huì)對(duì)結(jié)果產(chǎn)生一定的影響。

監(jiān)督學(xué)習(xí)的方法主要是事先標(biāo)記好血管點(diǎn)和背景點(diǎn)，再通過(guò)構(gòu)造好的模型來(lái)學(xué)習(xí)輸入到輸出間的映射關(guān)系，不斷調(diào)整模型。監(jiān)督學(xué)習(xí)的改進(jìn)方法主要有兩個(gè)方面：一個(gè)是基于輸入的特征，輸入的特征的個(gè)數(shù)以及特征在血管方面的特征表達(dá)能力，Aslani等人[13]選用了高達(dá)17 個(gè)特征作為輸入，包括了Gabor濾波響應(yīng)特征、頂帽變換、B-COSFIRE 濾波響應(yīng)等；而謝林培[14]僅用了彩色圖像的3 個(gè)通道作為輸入特征。另一種是基于模型，對(duì)于不同的模型，特征提取的能力也不一樣，蔡軼珩等人[4]采用了支持向量機(jī)（support vector machines，SVM）作為分類(lèi)模型，SVM 是比較典型的二分類(lèi)模型，主要原則為間隔最大化，對(duì)眼底圖像的血管類(lèi)和背景類(lèi)像素點(diǎn)有很好的分類(lèi)作用；Vengalil等人[15]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）的血管分割方法。該模型由1 個(gè)輸入層、8 個(gè)卷積層、3 個(gè)池化層和1 個(gè)輸出層組成。模型的輸入直接是未作任何預(yù)處理的彩色眼底圖像，輸出層以?xún)?nèi)核大小為1×1 的卷積層替換全連接層，直接輸出分割結(jié)果。其中，輸出結(jié)果為灰度圖像，還需進(jìn)一步后處理，通過(guò)閾值分割，得到最后的血管分割圖。這種以卷積層取代全連接層的網(wǎng)絡(luò)也被稱(chēng)為全卷積神經(jīng)網(wǎng)絡(luò)（fully convolutional networks，F(xiàn)CN），也是圖像語(yǔ)義分割的常用模型，可以模擬人腦的視覺(jué)系統(tǒng)處理方式，分割效果甚至能夠超過(guò)人眼。姜玉靜[16]在FCN 的基礎(chǔ)上，采用了在邊緣檢測(cè)方面效果突出的HED（holistically-nested edge detection）網(wǎng)絡(luò)模型[17]，并通過(guò)條件隨機(jī)場(chǎng)（conditional random field，CRF）進(jìn)行后處理，得到的血管分割精度高達(dá)95.15%。監(jiān)督學(xué)習(xí)的方法，在充足的訓(xùn)練數(shù)據(jù)和優(yōu)異的模型下，分割的結(jié)果往往表現(xiàn)得比非監(jiān)督學(xué)習(xí)的方法更好。

Fig.1 Flow chart of vessel segmentation圖1 血管分割流程圖

本文采用監(jiān)督學(xué)習(xí)的方法，僅采用兩個(gè)特征作為輸入：一個(gè)是彩色視網(wǎng)膜圖像對(duì)比度較高的綠色通道；另一個(gè)是經(jīng)過(guò)B-COSFIRE 濾波得到的響應(yīng)結(jié)果。網(wǎng)絡(luò)模型采用的是LVD（low-scales vessel detection），每個(gè)尺寸通過(guò)子網(wǎng)絡(luò)ADS（asymmetric depthfixed sub-network）提取血管特征，然后將兩個(gè)低尺寸下的血管特征得到的單一輸出結(jié)果融合原尺寸下的血管特征，得到輸出結(jié)果，再二值化，得到最后的分割結(jié)果。

2 本文方法

分割血管的流程如圖1 所示，在訓(xùn)練階段，需要先對(duì)訓(xùn)練圖像進(jìn)行特征提取，將得到的兩個(gè)特征歸一化后，送入LVD 模型中訓(xùn)練，并通過(guò)人工標(biāo)注圖像進(jìn)行不斷自我學(xué)習(xí)。在測(cè)試階段，需要將測(cè)試圖像進(jìn)行同樣的特征提取和歸一化操作，然后在訓(xùn)練好的網(wǎng)絡(luò)模型中測(cè)試，得到測(cè)試結(jié)果。最后還需要二值化得到最后的分割結(jié)果。

2.1 特征提取

為了選取最典型的特征，本文除了將彩色視網(wǎng)膜眼底圖像中對(duì)比度較高的綠色通道作為一個(gè)特征外，還使用B-COSFIRE 濾波器得到血管響應(yīng)的特征。

B-COSFIRE 濾波器是受到簡(jiǎn)單細(xì)胞神經(jīng)元對(duì)特定結(jié)構(gòu)敏感的啟發(fā)，開(kāi)發(fā)出來(lái)檢測(cè)圖像中帶狀區(qū)域。B-COSFIRE 濾波器的輸入需要通過(guò)一組線性對(duì)齊的高斯差分濾波器（difference of Gaussian，DoG）得到，這種計(jì)算模型是模擬丘腦內(nèi)外側(cè)膝狀體背側(cè)核細(xì)胞（lateral geniculate nucleus，LGN）感受視覺(jué)信號(hào)變化的過(guò)程[18]。圖2（a）給出了一個(gè)檢測(cè)垂直血管的B-COSFIRE 濾波器模型，其中垂直的白條是人為設(shè)計(jì)的血管，實(shí)心圓代表DoG 濾波器的過(guò)濾區(qū)域。以血管的中心黑點(diǎn)為模型的中點(diǎn)，將附近多個(gè)DoG 感應(yīng)區(qū)域考慮進(jìn)來(lái)后，整個(gè)B-COSFIRE 模型的感受野近似虛線圍成的橢圓區(qū)域。最后，通過(guò)乘法操作將來(lái)自一組DoG 濾波器的響應(yīng)結(jié)合起來(lái)，得到最終的濾波結(jié)果。DoG 濾波器表達(dá)式如下：

Fig.2 B-COSFIRE model and categories圖2 B-COSFIRE 模型與類(lèi)別

其中，外部高斯函數(shù)偏差為σ，內(nèi)部高斯函數(shù)標(biāo)準(zhǔn)偏差為0.5σ[19]。對(duì)于給定的灰度圖I，濾波后的結(jié)果為cσ(x,y)=|I×DoGσ|+，其中|·|+cσ符號(hào)表示去負(fù)為零，即整流線性單元（rectified linear unit，ReLU）。然后，通過(guò)響應(yīng)結(jié)果cσ(x,y)自動(dòng)構(gòu)造B-COSFIRE 濾波器。圖2 中顯示了B-COSFIRE 兩種濾波器，其中圖2（b）是對(duì)稱(chēng)的B-COSFIRE 濾波器模型，可以檢測(cè)血管主干；圖2（c）是非對(duì)稱(chēng)的B-COSFIRE 濾波器模型，對(duì)血管末端有很好的檢測(cè)效果。以圖2（b）為例，以血管中心點(diǎn)（標(biāo)注為1 的點(diǎn)，下同）和其周?chē)目疾禳c(diǎn)（在同心圓上DoG 響應(yīng)最大點(diǎn)，如標(biāo)注2、3、4、5 的點(diǎn)，下同）構(gòu)造一個(gè)三元組集合，其中σi為外部高斯函數(shù)的標(biāo)準(zhǔn)偏差，(ρi,φi)是第i個(gè)考察點(diǎn)以血管中心點(diǎn)為原點(diǎn)的極坐標(biāo)，一共m個(gè)考察點(diǎn)。為了提高各個(gè)點(diǎn)位置的容錯(cuò)性，需要對(duì)DoG 濾波響應(yīng)進(jìn)行模糊移位操作。首先，模糊操作是計(jì)算DoG 濾波器的加權(quán)閾值響應(yīng)的最大值，通過(guò)將DoG 濾波器的響應(yīng)乘以高斯函數(shù)。偏差σ′的計(jì)算為σ′=，其中α、為常數(shù)，ρi為到血管中心點(diǎn)的距離。移位操作是將每個(gè)DoG 模糊響應(yīng)朝著φi相反的位置移動(dòng)ρi距離，以到達(dá)B-COSFIRE 濾波器的中心。移位量為(?xi,?yi)，其中?xi=-ρicosφi，?yi=-ρisinφi。一個(gè)三元組(σi,ρi,φi)模糊移位的響應(yīng)可以表示為：

其中，-3σ′≤x′,y′≤3σ′。最后，求取集合S中所有三元組的模糊移位的幾何平均，得到最終的濾波結(jié)果：

為了檢測(cè)不同方向的血管，還需要設(shè)計(jì)不同方向上的B-COSFIRE 濾波器。而B(niǎo)-COSFIRE 濾波器能很容易調(diào)整，直接改變角度φi，就可以構(gòu)造任意方向上的濾波器：

2.2 歸一化

對(duì)數(shù)據(jù)的歸一化操作，不僅可以降低運(yùn)算量，而且會(huì)更快地收斂。本文將原始數(shù)據(jù)規(guī)范到[-0.5，0.5]的范圍，大致分為兩步。第一步，去掉異常值。本文通過(guò)3 倍標(biāo)準(zhǔn)差法去掉異常值，先將特征矩陣減去均值，得到新的特征矩陣，然后對(duì)特征矩陣中超過(guò)3 倍標(biāo)準(zhǔn)差的部分進(jìn)行調(diào)整，使得新的特征矩陣與均值的差的絕對(duì)值不超過(guò)標(biāo)準(zhǔn)差的3 倍。第二步，縮放。在第一步操作基礎(chǔ)上，對(duì)新得到的特征矩陣進(jìn)行調(diào)整，采用最大最小規(guī)范化將數(shù)據(jù)映射到[0，1]的區(qū)間上，再減去0.5 得到。由于輸入數(shù)據(jù)包含了多個(gè)特征，需要對(duì)每個(gè)特征維度進(jìn)行歸一化，然后再整合，一起作為L(zhǎng)VD 的輸入。

2.3 LVD

特征矩陣進(jìn)行調(diào)整，采用最大最小規(guī)范化將數(shù)據(jù)映射到[0，1]的區(qū)間上，再減去0.5 得到。由于輸入數(shù)據(jù)包含了多個(gè)特征，需要對(duì)每個(gè)特征維度進(jìn)行歸一化，然后再整合，一起作為L(zhǎng)VD 的輸入。FCN 是由Long 等人[20]提出來(lái)實(shí)現(xiàn)端到端的學(xué)習(xí)，并且輸出和輸入的數(shù)據(jù)尺寸相同，適用不同尺寸下的圖像在同一網(wǎng)絡(luò)模型中獲取到特定的特征。在基于FCN 的網(wǎng)絡(luò)架構(gòu)中，Xie 等人[17]提出了HED 模型，如圖3 左側(cè)所示，該模型是在多尺度下，將每個(gè)尺度下的單一輸出融合得到最后的結(jié)果，主要用來(lái)完成圖像邊緣的提取，具有很好的效果。本文簡(jiǎn)化了HED 模型，提出了LVD 模型，模型圖顯示在圖3 中間。相比HED 模型，LVD 模型少了兩個(gè)尺度，只保留了3 個(gè)尺度，分別代表原尺度和兩個(gè)低尺度。并且在兩個(gè)低尺度下都有一個(gè)單一輸出層（single-output）。為了保留原尺寸的細(xì)節(jié)特征，需要將兩個(gè)低尺寸下的single-output 融合原尺度下提取的feature maps，這樣可以在一定程度上保留所有的細(xì)節(jié)，避免細(xì)節(jié)丟失。對(duì)于每個(gè)尺度下的特征提取，子網(wǎng)絡(luò)的選取不僅要考慮到卷積核的尺寸，還需要考慮不同的組合。GoogleLeNet設(shè)計(jì)了Inception模塊，從最初的Incetption v1到Inception v3，卷積核的尺寸越來(lái)越小，從Inception v3 到Inception v4，網(wǎng)絡(luò)越來(lái)越深[21-24]。本文參考了Inception 模型簡(jiǎn)化參數(shù)和增加網(wǎng)絡(luò)深度的思想，設(shè)計(jì)了非對(duì)稱(chēng)固定深度子網(wǎng)絡(luò)（asymmetric depth-fixed subnet，ADS）。該網(wǎng)絡(luò)有10 層卷積層，每一層的卷積核都是非對(duì)稱(chēng)的小卷積核，并且深度固定，如圖4 所示。

Fig.3 HED model and LVD model圖3 HED 模型和LVD 模型

Fig.4 ADS structure圖4 ADS 結(jié)構(gòu)

其中，網(wǎng)絡(luò)的第一層采用1×2 的卷積核，最后一層采用3×1 的卷積核。對(duì)于子網(wǎng)絡(luò)ADS-N，則子網(wǎng)絡(luò)ADS 中所有卷積核的深度都為N。將子網(wǎng)絡(luò)ADS-N 組合到LVD 模型中，可以得到LVD 完整的網(wǎng)絡(luò)結(jié)構(gòu)，如圖5 所示。網(wǎng)絡(luò)中有3 個(gè)特征提取模塊，主要是以尺度來(lái)劃分，分為了原尺寸（scale0）模塊、1/2 尺寸（scale1）模塊和1/4 尺寸（scale2）模塊。在原尺寸下，引入一個(gè)1×1 的卷積層，對(duì)特征進(jìn)行降維，得到的feature maps 為M。在兩個(gè)低尺寸下，用反卷積層（deconv）上采樣，得到兩個(gè)尺寸為scale0 的singleoutput。最后將原尺寸下的M個(gè)feature maps 與兩個(gè)低尺度下的single-output 通過(guò)一個(gè)連接（concat）層融合，再用一個(gè)1×1 的卷積層卷積，得到一張與原圖尺寸相同的二維血管灰度圖，還需要對(duì)灰度圖進(jìn)一步閾值分割，得到最終的血管分割結(jié)果。在LVD 中，每個(gè)卷積層后跟一個(gè)BN（batch normalization）層來(lái)加速收斂和一個(gè)ReLU 層進(jìn)行激活。網(wǎng)絡(luò)中每一層的參數(shù)顯示在表1 中，其中0 ＜M＜N。

Fig.5 LVD structure圖5 LVD 結(jié)構(gòu)

Table 1 LVD parameters表1 LVD 參數(shù)

訓(xùn)練過(guò)程中，整個(gè)網(wǎng)絡(luò)的損失函數(shù)采用均方誤差，對(duì)于輸出結(jié)果y與人工標(biāo)注y′的均方誤差計(jì)算如下：

其中，n代表像素點(diǎn)的個(gè)數(shù)，代表平方和。為了防止過(guò)擬合，在損失函數(shù)中引入了L2 正則化項(xiàng)，最終的損失函數(shù)Loss定義如下：

其中，w表示網(wǎng)絡(luò)中邊上的權(quán)重；k表示正則化項(xiàng)的權(quán)重。

3 實(shí)驗(yàn)與分析

3.1 數(shù)據(jù)集

DRIVE[25]是彩色眼底圖庫(kù)，一共40 幅圖像，其中7 幅帶有早期糖尿病視網(wǎng)膜病變，其余33 幅均為正常眼底圖像。每幅圖像的像素565×584，分成訓(xùn)練集和測(cè)試集，每個(gè)子集有20 幅圖像，每幅圖像對(duì)應(yīng)兩位專(zhuān)家手動(dòng)分割的結(jié)果。本文選取第一位專(zhuān)家的分割結(jié)果作為評(píng)判標(biāo)準(zhǔn)，以第二位專(zhuān)家的分割結(jié)果作為人眼觀察的結(jié)果。

數(shù)據(jù)集來(lái)自DRIVE 數(shù)據(jù)庫(kù)，并通過(guò)旋轉(zhuǎn)、縮放和鏡像操作進(jìn)行擴(kuò)充。對(duì)于旋轉(zhuǎn)，每張彩色眼底圖像一次旋轉(zhuǎn)3°，可以生成120 張不同角度的彩色眼底圖像；對(duì)于縮放，每張彩色眼底圖像從原尺寸的0.75 倍到原尺寸的1.25 倍，一次增加0.05 倍，可以產(chǎn)生11 個(gè)不同尺寸的彩色眼底圖像；對(duì)于鏡像，一張彩色眼底圖像可以生成一個(gè)鏡像。一張圖像經(jīng)過(guò)上面3個(gè)操作，再通過(guò)裁剪和填充使圖像尺寸一致后，可以得到2 640張不同的彩色眼底圖像，對(duì)于DRIVE 的20張訓(xùn)練集，擴(kuò)充后，整個(gè)訓(xùn)練集擁有高達(dá)52 800張彩色眼底圖像。

3.2 評(píng)價(jià)指標(biāo)

評(píng)價(jià)指標(biāo)主要有敏感性(Se)、特異性(Sp)、準(zhǔn)確率(Acc)。計(jì)算公式如下：

其中，真陽(yáng)性（true positive，TP）表示將血管正確分割為正類(lèi)的像素點(diǎn)數(shù)；真陰性（true negative，TN）表示將背景正確分為負(fù)類(lèi)的像素點(diǎn)數(shù)；假陽(yáng)性（false positive，F(xiàn)P）表示將背景錯(cuò)分為正類(lèi)的像素點(diǎn)數(shù)；假陰性（false negative，F(xiàn)N）表示將血管錯(cuò)分割為負(fù)類(lèi)的像素點(diǎn)數(shù)。另外，本文算法的性能也通過(guò)受試者工作特征（receiver operating characteristic，ROC）曲線來(lái)評(píng)價(jià)。ROC 曲線以真陽(yáng)性率（true positive rate，TPR）為縱坐標(biāo)，假陽(yáng)性率（false positive rate，F(xiàn)PR）為橫坐標(biāo)。AUC（area under ROC curve）面積是ROC 曲線與橫軸之間所夾的面積值，AUC 的值越接近1，表明算法的性能越好。

3.3 參數(shù)設(shè)置與實(shí)驗(yàn)分析

在特征提取階段，B-COSFIRE的參數(shù)來(lái)自文獻(xiàn)[8]，對(duì)于對(duì)稱(chēng)的B-COSFIRE 濾波器，σ=2.4,σ0=3,α=0.7,ρ={0,2,4,6,8} ；而在非對(duì)稱(chēng)B-COSFIRE 濾波器中，σ=1.9,σ0=2,α=0.1,ρ={0,2,4,6,…,22}；B-COSFIRE濾波器可以檢測(cè)12 個(gè)方向的血管，即nr=12。

訓(xùn)練階段，N=50，M=10，整個(gè)LVD 模型參數(shù)的初始化方式是從截?cái)嗟恼龖B(tài)分布中輸出隨機(jī)值，該正態(tài)分布的標(biāo)準(zhǔn)差為0.1；損失函數(shù)中的正則化的權(quán)值k=0.01，batch_size=5，學(xué)習(xí)率a=0.1，學(xué)習(xí)率采用指數(shù)衰減，衰減系數(shù)為0.99，衰減速度為200，迭代50 000 次，采用隨機(jī)梯度下降算法更新參數(shù)，并采用滑動(dòng)平均來(lái)控制變量更新的速度，控制速度的衰減系數(shù)為0.99。實(shí)驗(yàn)采用Tensorflow框架，在GeForce GTX 1080 Ti的兩個(gè)GPU 上并行訓(xùn)練。

Fig.6 ROC curve圖6 ROC 曲線

Fig.7 Histogram of test result圖7 測(cè)試結(jié)果的直方圖

Fig.8 Partial test results圖8 部分測(cè)試結(jié)果

在DRIVE 訓(xùn)練集上進(jìn)行測(cè)試，得到圖6 的ROC曲線以及AUC 值。從圖中可以看出，ROC 曲線靠近左上角，并且AUC 值高達(dá)0.978 2，體現(xiàn)了本文算法的可靠性。網(wǎng)絡(luò)模型測(cè)試的結(jié)果是一張二維的灰度圖，體現(xiàn)的是血管分布的概率圖，還需要進(jìn)一步二值化得到最終的分割結(jié)果。在閾值分割前，先將測(cè)試結(jié)果采用最大最小歸一化法調(diào)整到[0，1]的范圍內(nèi)。為了分析血管的分布情況，取出一張測(cè)試結(jié)果的直方圖進(jìn)行分析，如圖7 所示。可以發(fā)現(xiàn)，圖中像素值的分布主要集中在0 和0.9 附近，通過(guò)最大類(lèi)間方差算法可以自動(dòng)地尋找最佳閾值，并進(jìn)行閾值分割。最后對(duì)得到的網(wǎng)絡(luò)模型在DRIVE測(cè)試集測(cè)試，Se、Sp、Acc平均指標(biāo)分別達(dá)到了0.819 2、0.984 2、0.969 5，部分測(cè)試圖像的分割結(jié)果顯示在圖8 中。其中，第三列為測(cè)試結(jié)果，第四列為二值化分割結(jié)果，最后一列表示的是二值化結(jié)果與專(zhuān)家分割圖的對(duì)比，其中黃色區(qū)域?yàn)橄嘟坏膮^(qū)域，而紅色區(qū)域是本文算法將背景錯(cuò)誤劃分為血管的部分，綠色部分為未被檢測(cè)出的血管部分。以圖8 中的第一張圖為例，截取了對(duì)比結(jié)果的部分區(qū)域進(jìn)行分析，為了檢測(cè)本文算法對(duì)血管末端的檢測(cè)效果，放大了局部血管末端，如圖9（a）所示，可以看出檢測(cè)的管末端基本跟專(zhuān)家分割的結(jié)果保持一致，并且血管的曲率、寬度、長(zhǎng)度等屬性幾乎一致，也沒(méi)有出現(xiàn)離散的點(diǎn)，具有很好的連續(xù)性。本文還放大了密集血管附近的區(qū)域，如圖9（b）所示，可以看出，對(duì)于空間相鄰的血管，并沒(méi)有產(chǎn)生血管粘黏的現(xiàn)象，能很好地將血管間隙中的背景分割開(kāi)來(lái)，達(dá)到了很好的檢測(cè)效果。本文在實(shí)驗(yàn)中還發(fā)現(xiàn)，本文算法檢測(cè)出了專(zhuān)家標(biāo)記的血管部分，如圖10 所示。將原圖的綠色通道局部放大，可以看出原圖中靠近視場(chǎng)邊緣有一個(gè)細(xì)小的血管，如圖10（a）中的白色箭頭指向的區(qū)域，該血管對(duì)比度較小，肉眼很難看出，而本文算法卻能夠?qū)?duì)比度極低的細(xì)小血管進(jìn)行檢測(cè)，體現(xiàn)了本文算法的健壯性。本文算法也有不足的地方，如圖11 所示。取了兩塊地方，一個(gè)是血管末稍處，還有一個(gè)是視盤(pán)區(qū)域，如圖11（a）。其中血管末梢很多未被分割出來(lái)，而在測(cè)試結(jié)果中已經(jīng)分割出來(lái)，如圖11（b）所示。這跟本文的二值化方法有關(guān)，最大類(lèi)間方差考慮的是全局，找到一個(gè)具體的閾值整體分割，缺少了血管的局部信息，導(dǎo)致二值化后未被正確分割出來(lái)，還需要進(jìn)一步優(yōu)化二值化方法，更多地考慮血管的局部信息。在對(duì)視盤(pán)區(qū)域分析時(shí)發(fā)現(xiàn)，將部分背景區(qū)域錯(cuò)誤檢測(cè)為血管。因?yàn)橐暠P(pán)亮度較高，邊緣亮度較低，導(dǎo)致邊緣區(qū)域?qū)Ρ榷容^高，被誤檢為血管，模型還需要進(jìn)一步優(yōu)化，更多考慮對(duì)視盤(pán)區(qū)域的特征學(xué)習(xí)。

Fig.9 Local magnification圖9 局部放大圖

Fig.10 Unmarked blood vessels detected圖10 檢測(cè)出未被標(biāo)注的血管

Fig.11 Undetected vessels圖11 未檢測(cè)出的血管

本文還與其他算法在DRIVE 數(shù)據(jù)庫(kù)上的表現(xiàn)進(jìn)行對(duì)比，結(jié)果展示在表2 中。其中，人眼觀察的結(jié)果來(lái)自于DRIVE數(shù)據(jù)庫(kù)第2位專(zhuān)家的分割結(jié)果。文獻(xiàn)[8]僅采用B-COSFIRE 濾波器對(duì)血管進(jìn)行特征提取，在不添加任何分類(lèi)器的情況下，只靠閾值分割血管，效果接近人眼觀察的結(jié)果；而單獨(dú)地使用B-COSFIRE濾波特征，并沒(méi)有考慮噪音問(wèn)題，眼底圖像中存在類(lèi)似血管的背景噪音，單純的閾值分割很難區(qū)別噪音，因此在文獻(xiàn)[26]中，加入了RF（random forest）模型作為分類(lèi)器，對(duì)包含B-COSFIRE 濾波特征的5 個(gè)特征對(duì)象進(jìn)行訓(xùn)練，得到了0.960 6 的分割精確度；在本文算法中，利用全卷積神經(jīng)網(wǎng)絡(luò)的原理設(shè)計(jì)了新型的LVD 模型作為分類(lèi)器，同樣采用對(duì)血管響應(yīng)較好的B-COSFIRE 響應(yīng)特征作為訓(xùn)練對(duì)象，分割精確度達(dá)到了0.969 5。而在其他方法[17,27-28]中，訓(xùn)練數(shù)據(jù)都未采用眼底圖像的B-COSFIRE 濾波特征，HED-CRF 算法直接采用的是未經(jīng)處理的彩色眼底圖像，分割精確度僅為0.951 5；FCN 和U-Net算法中都是采用了眼底圖像局部的血管塊，缺乏全局信息，分割精確度不高，分別為0.953 3 和0.953 1。對(duì)比發(fā)現(xiàn)，B-COSFIRE濾波響應(yīng)特征更能讓模型學(xué)習(xí)到血管的特征，并且對(duì)整個(gè)眼底圖像的特征學(xué)習(xí)要比基于局部血管塊的特征學(xué)習(xí)更容易獲取到全局特征，分割效果更好。為了比較分類(lèi)器的好壞，通過(guò)AUC指標(biāo)進(jìn)行分析，其中采用全卷積神經(jīng)網(wǎng)絡(luò)模型的AUC指標(biāo)都超過(guò)了0.970 0，本文算法更是達(dá)到了0.978 2，而采用RF 模型僅有0.963 2，這是因?yàn)樯窠?jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力要比傳統(tǒng)的機(jī)器學(xué)習(xí)強(qiáng)，更深層次的網(wǎng)絡(luò)更能表達(dá)圖像的語(yǔ)義特征。并且本文采用的LVD 模型區(qū)別于文獻(xiàn)[26-28]的全卷積網(wǎng)絡(luò)模型，沒(méi)有采用3×3 的卷積核，全部采用非對(duì)稱(chēng)的小卷積核，模型的表現(xiàn)比U-Net 模型還高。在DRVIE 數(shù)據(jù)庫(kù)測(cè)試，Se、Sp、Acc、AUC分別達(dá)到了0.819 2、0.984 2、0.969 5、0.978 2，達(dá)到了先進(jìn)水平。

Table 2 Comparison of different algorithms on DRIVE表2 不同算法在DRIVE 數(shù)據(jù)庫(kù)中的對(duì)比

4 結(jié)束語(yǔ)

本文針對(duì)自動(dòng)分割血管設(shè)計(jì)了端到端的神經(jīng)網(wǎng)絡(luò)模型LVD，采用了彩色眼底視網(wǎng)膜圖像中對(duì)比度較高的綠色通道和對(duì)血管有較好響應(yīng)的B-COSFIRE濾波結(jié)果作為訓(xùn)練的兩個(gè)特征，在3 個(gè)尺度下，分別用子網(wǎng)絡(luò)ADS 提取血管特征，并將融合的結(jié)果通過(guò)最大類(lèi)間方差獲取最佳閾值后二值化，得到最終的分割結(jié)果。在DRVIE 數(shù)據(jù)庫(kù)中，Se、Sp、Acc、AUC分別為0.819 2、0.984 2、0.969 5、0.978 2，體現(xiàn)了本文算法在血管特征提取上較強(qiáng)的學(xué)習(xí)能力，充分展現(xiàn)了本文算法在輔助醫(yī)療診斷的可行性。