基于改進U-Net的眼底圖像血管分割方法

王忠源 謝正言 許一虎

摘要： 眼底血管圖像分析可用于各種眼病的評估和監測。它在降低失明風險方面發揮著重要作用。目前，許多眼底血管分割模型在小血管的分割結果上仍需改進。針對上述問題，我們提出了一種改進U-Net模型的視網膜血管分割方法。首先，利用網狀跳躍連接提取淺層到深層的特征映射。然后將特征圖拼接融合，最大限度地發揮它們的作用。在特征層中，我們采用空洞卷積來增加接受野。在DRIVE、STARE、CHASE_DB1三個標準數據集上驗證了該方法的分割精確度分別為0.9595，0.9716， 0.9638。實驗結果表明，該方法是一種良好的視網膜血管分割方法，比現有的許多視網膜血管分割方法具有更好的分割效果。

關鍵詞： 深度學習;眼底圖像;視網膜血管分割

中圖分類號：TP391? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）23-0001-03

Abstract： Fundus image vessel analysis can be used to evaluate and monitor a variety of eye diseases. It play an important role in reducing the risk of blindness. At present， many model of fundus vessel segmentation still need to be improved for the segmentation results of small vessels. To address above issue， we propose a novel method? based on improved U-Net to segment retinal vessels. Firstly， we use the nested skip connections to extract feature maps from shallow layer to deep layer. Then concatenate and fuse the feature maps to make the utmost of them. And in feature layer， we use atrous convolution to increase the receptive field. By verifying this method on three standard datasets， DRIVE， STARE， CHASE_DB1， the segmentation accuracy of proposed method are 0.9595， 0.9716， 0.9638 respectively. The result can demonstrate the proposed method has improvement on retinal vessels segmentation and can segment retinal vessels better than many existing retinal vessels segmentation methods.

Key words： deep learning; fundus image; retinal vessel segmentation

眼底RGB圖像是眼睛內表面的投影[1]。眼底視網膜圖像觀察是眼科醫生診斷高血壓、黃斑水腫、糖尿病視網膜病、青光眼等眼部疾病的重要一步[2]。早期診斷可以預防視力下降，有規律地測量血管直徑、分支角度和分支長度，已成為早期診斷和有效監測視網膜病理的醫學應用基礎。因此，眼底圖像的血管分割成為定量分析疾病的先決條件[3]。視網膜血管結構極其復雜，曲率高，形態多樣，這使得視網膜血管分割任務非常具有挑戰性[4]。目前，人工分割獲取視網膜血管是一種耗時且復雜的方法。因此，血管自動分割研究迫在眉睫[5]。

許多學者對視網膜自動分割算法進行了研究，主要分為兩類：無監督方法和監督方法。無監督的方法聚焦于視網膜血管的內在特性[6]。傳統的無監督醫學圖像分割算法包括閾值分割、聚類方法和基于直方圖的方法等。無監督分割算法不需要訓練模型，分割速度上具有優勢。然而，在提高分割精度方面還有很大的改進空間[2]。

監督方法通過提取精確的人工標記的血管信息來改進學習。對血管特征信息更加敏感，具有較強的可靠性和穩定性[7]。與無監督方法相比，它們有很大的優勢。目前先進的監督方法模型是Ronneberger等人[8]提出的U-Net和Long等人[9]提出的基于編解碼器網絡的全卷積網絡（FCN）。它們被廣泛應用于語義和實例分割模型中。但是，編解碼器網絡有兩個限制，存在一定的局限性：1）網絡深度越大，計算量越大，但計算結果不一定越好; 2）不同的數據集決定了不同的網絡最優深度。因此，U-Net在不同應用方面仍有很大潛力。Zhou等人[10]提出了UNet++，旨在克服上述局限性，明顯的改進是網狀跳躍連接。網狀跳躍連接具有以下優點： 1）該架構能夠充分有效地捕捉目標的詳細特征，提高分割性能; 2）該模型能夠適應多種不同的數據集。所以，本文提出了一種基于網狀跳躍連接的改進U-Net的視網膜血管分割模型。我們使用網狀跳躍連接從不同深度的層中提取特征圖，再將這些特征圖連接和融合，以最大限度地利用它們。在特征層中，我們使用空洞卷積來增加接受域。最后在DRIVE、STARE、CHASE_DB1三個標準數據集上進行了測試。

本文的貢獻可以概括為兩個方面。1）我們提出了一個改進U-Net的模型。使用網狀跳躍連接，連接和融合不同深度的特征圖，并在特征層使用空洞卷積。這些改進可以充分利用特征圖的優勢，增加感受野，引導模型學習更好地分離血管和非血管。2）提出的方法是一種自動的視網膜血管分割方法。我們在三個標準數據集上進行訓練和測試。結果表明，該方法優于現有的許多方法。本文的其余部分組織如下： 第二部分是描述所提出的改進U-Net方法，第三部分是對眼底圖像進行血管分割的實驗設置、結果和討論，第四部分是結論。