一種用于青光眼視杯盤分割的改進U-Net 算法

柴家星，李 峰，席千千，肖澤華，嚴 磊，王宇光

（1.上海理工大學 光電信息與計算機工程學院，上海 200093；2.上海理工大學 機械工程學院，上海 200093）

0 引言

青光眼是一種退行性視神經病變，會導致患者視力和生活質量下降。依據世界衛生組織（WHO）相關報告，青光眼的致盲率僅次于白內障，至2020 年有近7 600 萬人被確診為青光眼，預計2040 年青光眼的患者將達到1.18 億［1-2］。青光眼患者早期無癥狀表現，只有到了晚期才會有明顯的視力下降，而且視力的損失是不可逆轉的。因此，青光眼的早期篩查對于患者的及時治療至關重要。通常，眼科醫生根據患者彩色眼底照片對視神經頭（Optic Nerve Hypo?plasia，ONH）區域進行評估以檢測青光眼。ONH 評估的一個重要指標是杯盤比（Cup-to-Disc Ratio，CDR），大的杯盤比意味著更高的患病風險。然而，CDR 大多數是由醫生人工測量和計算，不僅耗時、費力而且不同醫生的測量結果也存在一定的主觀性。眼底圖像中OD/OC 的分割準確度在很大程度上會影響CDR 的計算。為此，基于眼底圖像的OD 和OC 自動準確分割在青光眼的篩查和診斷中具有非常重要的意義。

近年來，許多研究人員對基于視網膜眼底圖像的OD和OC 自動分割進行了研究，主要分割方法包括：統計形狀模型［3-6］、多視圖和多模態方法［7-9］及基于超像素的方法［10-13］等。然而，上述研究主要依靠手工提取OD 和OC 的特征，并需要用戶的交互才能產生比較良好的分割結果。在實際的臨床環境中，很難設計出好的手工特征，這降低了算法的分割性能。最近，深度學習技術已在圖像分割上取得了良好性能，并取得了良好的分割效果。Sevastopol?sky［9］采用改進的U-Net 網絡對OD 進行分割，其分割結果被進一步用于OC 分割；Fukushima 等［14］設計了一種參數相對較少的M-Net 架構以實現OD 和OC 的分割。盡管這些研究工作取得了較好的OD 和OC 分割效果，但是其結構復雜度和時間復雜度都較高。

針對以上問題，本文設計了一種基于改進U-Net 的端到端的青光眼視杯盤分割算法，將U-Net 的編碼部分進行改進，采用ResNet50 的映射疊加方式，有效提取圖像深層信息，優化網絡泛化性。進一步地，采用橢圓擬合策略改善視杯盤區域邊緣信息，消除分割預測結果中存在的鋸齒現象。最后，在公開的DRIONS-DB、RIM-ONE 和DRISHTIGS 數據集上驗證了模型性能。

1 數據集與數據預處理

本文主要采用3 個公開的青光眼數據庫對設計的網絡進行性能驗證，這3 個數據集分別為RIM-ONE［15］、DRI?ONS-DB［16］和DRISHTI-GS［17］。RIM-ONE 數據集包括159張眼底圖像，其中包括84 張青光眼或者是疑似青光眼圖像和75 張正常眼底圖像。DRIONS-DB 數據集包含110 張眼底圖片和相應視盤分割，其中6 張健康眼底圖片，104 張青光眼圖片，圖片像素大小是600×400。DRISHTI-GS 數據集包含101 張彩色眼底圖像，其中50 張訓練圖像和51 張測試圖像，圖片像素大小為2 896×1 944。此外，該數據集還提供了基于4 名眼科專家手繪標簽的視盤和視杯的平均邊界值。

對以上3 個數據集中的眼底圖片采用限制對比度自適應直方圖均衡（Contrast Limited Adaptive Histogram Equal?ization，CLAHE）方法和數據增強技術，所采用的數據增強方法包括眼底圖像的鏡像翻轉、隨機裁切等。感興趣區域提取處理流程如圖1 所示，通過數據預處理提高數據集中眼底圖像的數量和異構性。

Fig.1 Process flow of extracting featured region of interest圖1 感興趣特征區域提取處理流程

2 基于ResNet50 的分割網絡

本文基于端到端思想設計了一種圖片像素級分割架構以完成眼底圖片中視杯視盤區域分割。該設計網絡結構采用了編—解碼的特點進行搭建，主要使用卷積、池化層以及相應的ReLU 激活函數和批歸一化函數等基本結構，如圖2 所示。在網絡中，采用ResNet50 作為U-Net 架構的下采樣編碼器部分，并在模型跳躍連接中加入目標注意力機制來提高模型對盤沿邊緣的識別能力及分割精度。網絡左側是基于ResNet50 的下采樣部分，即為壓縮路徑，主要包含一個卷積核大小為64 的7×7 卷積層、最大池化層以及多個重復的殘差塊。所設計的降采樣網絡不僅對輸入眼底圖像的一些小擾動具有很好的魯棒性，而且可有效減少過擬合的風險，降低運算量并能增大感受野，淺層結構可提取圖像簡單特征，深層結構可提取更為抽象的特征。網絡右側為擴展路徑，其作用是將抽象特征解碼到圖像的原始尺寸。

分割算法總體設計步驟如圖3 所示，其整體流程主要由兩主體部分組成。針對第一部分視盤區域分割，在輸入層輸入數據集中的原始圖像；針對第二部分視杯分割，因其在視盤區域表現出對比度分散、邊緣模糊不清等特點，所以在輸入數據時轉為輸入經算法處理過后的視盤感興趣區域。

本文所提出的視杯分割模型的訓練過程與視盤類似，因此可基于訓練視盤分割模型參數進行微調以獲得較為優異的效果，從而節約了實驗時間及計算資源。所提分割算法模型的實施過程主要有：①依據視盤區域亮度分布情況及位置形狀特征完成感興趣區域提取工作，并利用數據增強算法對其進行圖像處理，同時對眼底圖片進行像素歸一化操作；②將步驟①中處理過后的圖像輸入到文中深度學習網絡中，以訓練對應的視盤分割過程，在此過程中需加載由其他數據庫已訓練完畢的網絡參數并以此為基礎做進一步參數調整，利用前向傳播與反向傳播對網絡進行迭代訓練，直至損失函數結果達到穩定值或已經達到事先設置好的最大迭代數時將退出訓練過程；③用步驟②中已訓練視盤分割參數對視杯分割模型進行參數調整，此訓練過程具體實施步驟可依據步驟②中視盤分割過程；④測試圖像是在已訓練好的視杯盤分割網絡上進行分割預測，并根據眼底圖像中視盤輪廓趨于橢圓對最終預測結果進行橢圓擬合，以防止分割結果存在鋸齒邊緣信息從而影響實驗結果，實驗最后根據視杯盤分割預測邊界計算CDR 數值，并將其結果作為青光眼輔助判斷的依據。

Fig.2 Split network based on ResNet50圖2 基于ResNet50 的分割網絡

Fig.3 Overall design of segmentation algorithm圖3 分割算法總體設計

3 評估指標

本文采用交并比（Intersection over Union，IOU）、Dice 系數和AUC 以評估所提出分割方法的性能。IOU 定義為：

Dice 系數定義為：

其中，A 表示分割結果的真值，B 表示算法分割結果。

4 實驗結果

本文將提出的分割方法與當前主流方法進行比較，結果如表1 和表2 所示。從表1 可以看出，基于DRIONS-DB和RIM-ONE 數據集上的算法在分割視盤中獲得的IOU 和Dice 值分別為0.93 和0.96，0.94 和0.97，優于Sevastopolsky等［9］、Zilly 等［18］和Al-Bander 等［19］提出的分割方法。在DRISHTI-GS 數據集上所提出的方法與Zilly 等［18］提出的算法所產生的視盤分割性能相匹配。從表2 可以得到，針對視杯分割，在RIM-ONE 數據集上的算法獲得的IOU 為0.845，Dice 系數為0.923；在DRISHTI-GS 數據集上的方法所產生的IOU 和Dice 的值分別為0.930 和0.970，性能明顯優于其他3 種算法。

Table 1 Comparison results of different algorithms for segmentation of optic disc表1 不同算法分割視盤對比結果

Table 2 Comparison results of different algorithms for segmentation of visual cup表2 不同算法分割視杯對比結果

此外，在以上3 個數據集上算法分割OD 和OC 的ROC曲線如圖4 和圖5 所示。可以看出，在DRIONS-DB 與DRISHTI-GS 數據集上分割OD 分別獲得AUC 值為0.982、0.962；在RIM-ONE 與DRISHTI-GS 數據集上分割OD 與OC 分別獲得的AUC 值為0.989 和0.992。由此可知，本文算法在分割視杯和視盤方面具有良好的魯棒性與泛化性［20-21］。此外，本文算法性能的提高主要是在網絡中引入了目標注意力機制，提高了對視杯盤區域輪廓的識別能力。

Fig.4 OD segmentation curves of DRIONS-DB and DRISHTI-GS data sets圖4 DRIONS-DB 與DRISHTI-GS 數據集OD 分割曲線

Fig.5 Segmentation curves of OD and OC in RIM-ONE and DRISHTI-GS data sets圖5 RIM-ONE 與DRISHTI-GS 數據集中的OD 與OC 分割曲線

最后，將由本文模型分割結果計算出的CDR 值與4 位眼科醫生獲得的CDR 值進行比較，如表3 所示。從表3 可知，算法結果與眼科醫生的結果基本一致，進一步驗證了本文算法的優越性能。

Table 3 Mean and standard errors of four ophthalmologists and algorithms in predicting CDR表3 4 位眼科醫生與算法預測CDR 的平均與標準誤差

5 結語

本文利用彩色眼底圖片對傳統U-Net 分割架構進行了改進，提出了一種基于改進U-Net 的端到端的青光眼視杯盤分割算法。在網絡中，本文改進了U-Net 的編碼部分，采用ResNet50 的映射疊加方式，提取圖像的深層特征信息。為進一步消除分割結果中的鋸齒現象，借助橢圓擬合策略改善視杯盤區域的邊緣信息［22-23］。最后，通過在公開的DRIONS-DB、RIM-ONE 和DRISHTI-GS 數據集上與當前主流的OD 和OC 分割網絡進行比較，驗證了模型優越的分割性能，在青光眼診斷中達到了與人工分割接近的性能。因此，從總體上看，本文分割網絡在青光眼的輔助診斷中有一定的優越性，并且對視盤與視杯的重要結構特征有較強的學習能力，并為后續研究視杯視盤聯合分割作出了鋪墊。