基于AFU-Net的眼底視網膜血管的分割

武芳，王鴻雁

（江蘇衛(wèi)生健康職業(yè)學院臨床醫(yī)學院，南京 210086）

0 引言

視網膜具有豐富的血管信息，血管的形態(tài)結構對青光眼、糖尿病等疾病的診斷有重要意義，對視網膜血管的分割可以輔助眼科醫(yī)生進行疾病診斷。眼底圖像數量多，圖像細節(jié)豐富，噪聲和光照情況都會影響醫(yī)生的分割結果，導致人工分割效率低，主觀影響大，因此研究基于計算機輔助的眼底血管自動分割是當前熱點。

1 AFU-Net網絡

1.1 數據準備

本研究選用眼底公開數據集DRIVE，包含40張彩色眼底圖像，及其對應的標簽圖像和邊框圖像，其中20張為訓練集，20張為測試集。為了增加數據集數據，避免過擬合，首先對DRIVE的訓練集進行了擴充：對20組圖像執(zhí)行旋轉操作，每次旋轉30°，最后將訓練數據集擴充為240組圖像。有研究者證明，在圖像真彩色的三個分量中，綠色分量（G）中的血管對比度最高，本研究也沿用該方法。提取綠色分量后，圖像由三通道變?yōu)閱瓮ǖ溃ㄟ^標準化、對比度受限的自適應直方圖均衡化和局部自適應Gamma矯正，提高泛化能力、增強對比度、去除光照干擾［1］。然后再將原565×584尺寸裁剪為565×565，方便對其隨機提取，提取的圖像尺寸為48×48。

1.2 AFU-Net網絡

AFU-Net網絡是對U-Net網絡［2］的改進，結構如圖1所示，為了減少細節(jié)損失，編碼階段網絡采用兩次下采樣，卷積塊由兩次卷積組成，每次卷積后進行批量歸一化和ReLU激活，中間加入隨機失活層（Dropout）操作防止過擬合，同時為了提高特征復用，在上采樣的卷積塊中使用了密集連接［3］。另外，下采樣中的最大池化用padding為valid的2×2卷積替換，同時通道數翻倍，減少由池化造成過多細節(jié)的丟失。在上采樣環(huán)節(jié)，借鑒特征金字塔（feature pyramid networks，FPN）［4］的思路，將不同上采樣階段的特征再融合。

圖1 AFU-Net網絡結構

1.3 雙向注意力機制

在跳連環(huán)節(jié)采用雙向注意力通道，融合不同層級的特征。注意力機制［5］根據損失函數自動學習特征通道的權重，然后依照獲得的權重去提升有用的特征通道并抑制無效或效果小的特征通道，通過SE（squeeze and excitation）實現。原網絡跳連是將編碼和解碼信息無差別融合，去噪聲干擾的能力不強，雙向的注意力機制將編碼和解碼中的重要信息同時提取，能夠提高對小細節(jié)及模糊部位信息的提取能力。如圖2所示，圖中x和y分別為編碼層和解碼層對應跳連部分的輸出。以圖中上層注意力機制說明，編碼層的輸入特征圖x經過全局最大池化后，重排列為1×1×C，此操作為Squeeze，捕獲全局信息。再將通道收縮為C/r，其中r為收縮的比例，提高網絡的非線性能力，是超參數。再通過1×1卷積將通道數量恢復為C，然后將其與解碼層的輸入特征圖y逐通道相乘，輸出重新標定后的特征圖，最后將雙向標定后的特征堆疊輸出。若x和y相同，則是自注意力，通過實驗證明注意力比自注意力分割性能更好，具體數據在實驗部分展示。

圖2 雙向注意力機制

2 實驗結果

2.1 運行環(huán)境

本實驗基于分布式數值計算庫TensorFlow，和高層深度學習API Keras，電腦配置為64位Windows 10操作系統(tǒng)，CPU主頻3.00 GHz，內存32 GB，顯卡為NVIDIA GeForce GTX 1080 6GB。優(yōu)化器為Adam，學習率為10-4時網絡穩(wěn)定收斂，為10-3時后期震蕩嚴重，所以選擇為10-4，損失函數采用交叉熵（categorical_crossentropy），批尺寸為32。

2.2 評價指標

為了與其他研究者的算法相比較，本實驗使用準確率、精確率、F1值、特異性和靈敏度這幾個常用的評價指標評估模型的性能，公式如表1所列。

表1 評價指標及公式

表中TP表示輸出的是血管區(qū)域，實際也是血管區(qū)域；TN表示輸出是背景區(qū)域，實際上也是背景區(qū)域；F P表示輸出是血管區(qū)域，實際上是背景區(qū)域；FN表示輸出是背景區(qū)域，實際是血管區(qū)域。另外還有A U C為ROC曲線下的面積，面積越大，分割結果越好。

2.3 實驗過程

（1）根據雙向互注意力機制中超參數r的選取對網絡性能的影響，選取最優(yōu)r值。實驗結果比較如圖3所示，從圖中可以看出，對于有病灶的血管的分割，經有多年影像診斷經驗的醫(yī)生確認，r=16時對細小血管分割及平滑效果更好一些，所以在其他實驗中均另r=16。

圖3 不同超參數r的實驗結果

（2）對于單向注意力機制和雙向注意力中的輸入特征圖的選取，對x和y相同與不同的結果進行比較，數據對比如表2，后續(xù)實驗的雙向注意力選擇x≠y的結構。

表2 注意力機制相關實驗數據

（3）密集連接加入位置的實驗對比如表3所示，僅在上采樣中加入密集連接分割效果較好，可能是下采樣環(huán)節(jié)中使用密集連接的同時把噪聲信息也傳遞的原因，后續(xù)實驗選擇在上采樣環(huán)節(jié)加入密集連接。

表3 密集連接放置位置實驗數據

（4）對不同模塊加載過程進行實驗，a為UNet結構，b為卷積替換池化，c為特征金字塔，d為雙向注意力，e為上采樣環(huán)節(jié)加入密集連接，相關的評價指標對比如表4。

表4 不同模塊對實驗結果的影響

2.4 實驗結果

在DRIVE數據集中對實驗結果進行比較、評估。與其他研究者的局部血管分割效果對比，如圖4可見本文在細小血管提取方面有明顯的優(yōu)勢，由圖5可見，對于病灶較嚴重處血管分割效果，也基本上能把血管與病灶分離。

圖4 局部血管分割效果對比

圖5 病灶較嚴重處血管分割效果

表5 本文結果與其他作者的分割結果及第二專家的結果進行對比

3 結語

本文提出了一種AFU-Net網絡自動分割方法，利用卷積替換最大池化，融入密集連接、雙向注意力機制和特征金字塔，實驗證明，該網絡有較高的準確率和特異性，能夠較好的分割細小血管和病灶區(qū)域。該網絡的靈敏度稍低，接下來將著重于靈敏度和分割速度的提高，進一步提升網絡性能。