基于U-net++的全卷積網絡的視網膜血管分割

李豐卓

（中南民族大學生物醫學工程學院 湖北·武漢 430074）

0 引言

各類眼科疾病會引起視網膜血管發生形變。對眼底圖像的定量分析，可以提前通過視網膜血管的異常結構實現心血管疾病的預測、診斷和治療。近年來，深度學習方法在醫學圖像分割領域應用廣泛，相關學者針對相關問題研究了許多自動分割的算法。早期，許多計算機視覺算法基于血管的先驗知識等信息，從圖像預處理的角度來處理這個問題。然而，隨著深度學習方法的提出，可以通過自動特征學習來獲取更多的圖像特征信息。尤其是卷積神經網絡（Convolutional Neural Networks,CNN）的提出使其可以通過權值共享來實現復雜圖像的快速高效處理，在圖像分類、分割、重建等方面得到了廣泛的應用。一些研究已經證明，CNN在視網膜血管分割方面取得了更好的性能。例如，Liskowsk等人[1]利用CNN設計一個二分類器，將血管分割任務看成逐像素的分類任務，實現了較為準確的分割效果，與傳統方法相比性能有所提升，對血管的細微結構也有較好的效果。然而，由于視網膜血管結構復雜多變，這些方法分割的血管依舊比較模糊。

針對視網膜血管結構復雜多變，精細血管結構分割不精確等問題，本文在U-net基礎上引入U-net++[2]來進一步提高視網膜血管圖像的分割精度和精確率，通過實驗證明方法可以有效提升視網膜血管分割的準確率和精度。

1 方法

深度學習模擬人工神經網絡，能夠實現從輸入提取復雜的深層次特征。與傳統的機器學習算法不同，無須使用過多的人工特征，由于其自學特征的能力給圖像處理技術帶來了巨大突破。近年來，隨著GPU性能的提升，深度學習在生物信息學，醫學圖像處理，自然語言處理等各個領域得到了廣泛的應用。

1.1 U-net++網絡

基于編碼器-解碼器網絡在醫學圖像分割領域應用廣泛，其通過跳躍連接的特征融合方式更是將低級特征和高級特征緊密結合，即使在復雜背景下也能有效地實現圖像的準確分割。根據這些特點，在原始U-net上，高效集成多種深度的U-net來共享編碼器；重新設計跳躍連接，聚合多尺度語義特征；設計剪枝方案，變化U-net++結構使得特征融合更加靈活，加快網絡的學習速度，所用的U-net++結構如圖1所示。

整個網絡首先融合了多種不同深度的U-net，避免了U-net的最佳深度的未知先驗設計，無須廣泛的架構探索。同時，這些U-net還可以設計融入殘差塊，密集連接塊等減少網絡參數，提升網絡分割性能；重新設計的跳躍連接避免了不必要的特征強制融合方式，無須在編碼解碼子網上來強制融合相同比例的特征圖，可以聚合多尺度的特征信息，實現更為靈活的特征融合；還能通過剪枝來快速探尋最優的分割分支。網絡的連通計算如下：

式中xi,j表示神經元Xi,j的輸出，其中i代表沿編碼器方向索引下采樣層，j代表沿著跳躍連接密集塊的卷積層。函數H()表示卷積運算，卷積完之后再用激活函數激活，D()和U()分別表示下采樣層和上采樣層，[]表示串聯層。如圖1所示，j=0的節點接受的僅僅是上一個編碼器層的一個輸入，級別j=1的節點接受兩部分連續層的輸入，一部分輸入來自連續層的跳躍連接，另一部分輸入來自連續層的上采樣，j＞1接受j+1個節點的輸入，其中j個輸入是同級別的路徑中之前j個節點的跳躍連接，另外一個輸入是從低層級的相鄰節點的上采樣的輸出。最后，全部之前的特征圖都會疊加在當前節點，這是因為在每個跳躍連接都使用了密集卷積塊。

圖1：U-net++

1.2 數據集及預處理

DRIVE Dataset是用于視網膜病變研究的數據集，其中包含有40張彩色視網膜血管圖像。在網絡訓練之前，通過標準化對數據進行預處理，同時利用隨機翻轉，高斯噪聲等來進行數據增強，擴充數據集，避免網絡過擬合。

2 實驗

2.1 評價標準

在視網膜分割任務中，血管分割可以看作是一個圖像翻譯任務，對每一個像素進行二分類，判斷每個像素是否屬于視網膜血管。為了衡量分割網絡的效果，引入了Dice相似系數來衡量分割結果與手工掩膜之間的相似性。以及使用ROC曲線及AUC值等來評價網絡的分割性能。

2.2 實驗結果

實驗結果如表1所示，對比了不同方法下模型的性能。

模型 Dice ROC AUC u-net 0.751 0.9648 0.8754 u-net++ 0.796 0.9700 0.8831

從表中可以看出，我們的方法在Dice系數上提高了0.045，ROC曲線提高了0.0052，AUC值提高了0.0077，證明了引入該方法有效提升了視網膜血管的分割結果。

經過數據預處理送入到網絡之后的分割結果如上圖所示：最左側是原始視網膜圖像，標簽是醫生手工分割的，最右側是網絡的分割結果。通過標簽與網絡預測結果對比可知，我們的網絡可以實現準確清晰地分割血管。