基于OCTA的視網(wǎng)膜分割算法研究

中圖分類號：TP391.4 文獻標(biāo)志碼：A 文章編號：1000-5137（2025）02-0146-07

Abstract：Opticallcorelatedtomographyangiogaphy（OCTA）isusedinteresearchandclinicalaplicationofnon-invasive visualizationofretinalmicrovasculature，whichisidelyusedinophthalmologyandotherresearchfelds.Avarietyfmethodshave beenappliedtovascularsegmentationonretinalOCTAimages.Thispaperisdedicatedtocompareandanalyzethevascular segmentationefectsof raditionalsegmentationalgoritmsanddepleaingsegmentationalgorithmsbasedondiferentbasicodels forOCTimages.Teresultsshowedthatedepleaingsegmentationalgorithmsareobviouslysuperiortotraditionalsgmetation algorithms，especiallythe featurereconstructionnet（FRNet）segmentationalgorithm.Onthe OCTA-3mm，OCTA-6mm，and ROSSA datasets，the FRNet segmentation algorithm accuracy is 4.78% ， 3.10% and 3.43% higher than that of traditionalfuzzy mean algorithmsrespectively.Atthesametime，itcanefctivelyovercome theproblemsofnoiseinterferenceandvascularfractureof traditionalalgorithms.Theresultsrevealthatthedeplearningalgorithms，especiallyFRNet，havesignificantpeformance advantages inOCTA image segmentation tasks，whichprovidthestrong support forOCTAdata-related medicalresearch.

KeyWords：opticallycorrelated tomographyangiography（OCTA）；retinal image vascularsegmentation；deeplearning

0 引言

光學(xué)相關(guān)斷層血管成像[1（OCTA）是一種基于光學(xué)相關(guān)斷層掃描[2（OCT）的醫(yī)學(xué)成像技術(shù)，可以在無創(chuàng)傷、無輻射的條件下清晰采集到視網(wǎng)膜斷層圖像信息.分析視網(wǎng)膜斷層圖像對多種疾病的診斷至關(guān)重要，通過觀察血管的分布、形狀、血流流速、血管遮擋[3]等特征，確定病人視網(wǎng)膜血管是否發(fā)生病變，如糖尿病性視網(wǎng)膜病變[4、青光眼[5和黃斑變性等.OCTA的視網(wǎng)膜血管分割就是將圖像中的血管單獨標(biāo)記出來，相關(guān)疾病會通過視網(wǎng)膜血管的寬度、分布形態(tài)、密度等特征表現(xiàn)出來，可以幫助醫(yī)生準(zhǔn)確快速診斷病情.基于傳統(tǒng)方法的視網(wǎng)膜圖像分割算法，如閾值處理[、邊緣檢測[8、區(qū)域生長[9、聚類[1]等算法，不需要從大量數(shù)據(jù)集中學(xué)習(xí)先驗知識，對數(shù)據(jù)量無要求，但對視網(wǎng)膜血管圖片的質(zhì)量及血管結(jié)構(gòu)要求較高.

近年來，醫(yī)學(xué)圖像分割領(lǐng)域涌現(xiàn)出一些深度學(xué)習(xí)方法，如卷積神經(jīng)網(wǎng)絡(luò)[]和循環(huán)神經(jīng)網(wǎng)絡(luò)[12].其中，基于以Unet為代表的編碼器-解碼器結(jié)構(gòu)分割算法取得了令人滿意的結(jié)果，并衍生出Unet+， Unet++ ，ResUnet等改進算法.SUN等[13]為解決血管曲率形態(tài)復(fù)雜而導(dǎo)致小血管分割不清晰的問題，將Unet中的卷積模塊替換為串聯(lián)可變形卷積模塊，在解碼器部分采用輕量級注意模塊和雙注意模塊，有效提高了Unet對形態(tài)復(fù)雜的小血管和視網(wǎng)膜病變圖像的特征提取能力.LI等[14]在網(wǎng)絡(luò)的特征編解碼器塊中加入位置關(guān)注，建立全局依賴關(guān)系，在編碼部分的最后一層使用多尺度特征融合模塊，提取多尺度特征信息，解決了視網(wǎng)膜血管寬度和大小大幅變化的問題，提高毛細管的分割精度.

本文將深人研究基于不同算法的視網(wǎng)膜血管分割效果，包括模糊 C 均值（FCM）[15]、Unet[16]、殘差（Res）Unet[17]、特征重建網(wǎng)絡(luò)（FRNet）[18]、視覺Mamba（VM）-Unet及視覺轉(zhuǎn)換（VIT）等算法的性能分析.在不同的視網(wǎng)膜數(shù)據(jù)集上進行對比實驗，將精確度、戴斯（Dice）相似系數(shù)作為指標(biāo)進行評價，研究分析這些模型和算法的優(yōu)勢和局限性，為開發(fā)一種快速、準(zhǔn)確、自動的視網(wǎng)膜血管分割算法提供實驗依據(jù)，也可以為OCTA圖像的自動化處理和分析提供數(shù)據(jù)基礎(chǔ).

1分割算法

1.1 FCM算法

FCM算法是一種基于模糊邏輯和聚類分析的數(shù)據(jù)聚類算法，允許數(shù)據(jù)點同時屬于多個不同的簇，對于處理未明確分割或?qū)儆诙鄠€類別的數(shù)據(jù)效果顯著.FCM的目標(biāo)是最小化一個損失函數(shù)，該函數(shù)衡量了數(shù)據(jù)點與其所屬簇中心之間的距離以及其隸屬度值.通過迭代優(yōu)化這個目標(biāo)函數(shù)，將數(shù)據(jù)點分配到不同的簇，并確定簇中心的位置.在視網(wǎng)膜血管圖像中，F(xiàn)CM算法將每一個像素點劃分到與之相似度最高的類別，應(yīng)用于圖像分割.賈洪等[19采用局部線結(jié)構(gòu)約束的FCM算法實現(xiàn)視網(wǎng)膜血管分割，被分割的血管結(jié)構(gòu)連續(xù)性較好，提升了對細小血管檢測的靈敏度.相較于基于區(qū)域生長、閾值、傳統(tǒng)聚類等硬分類方法，F(xiàn)CM在模糊穩(wěn)健性方面表現(xiàn)良好，并且能在分割階段充分保留原始圖像信息[20].

1.2 Unet及其改進算法

Unet是專為醫(yī)學(xué)影像數(shù)據(jù)集設(shè)計的一種輕量級分割網(wǎng)絡(luò)，其關(guān)鍵思想在于充分結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的特性，具有編碼器和解碼器兩個部分，在解碼器中引入跳躍連接，實現(xiàn)了輕量級且高質(zhì)量的圖像分割.

ResUnet是對Unet進行的一項重要改進，其核心理念是將Res引入Unet結(jié)構(gòu)，從而更好地解決卷積神經(jīng)網(wǎng)絡(luò)中層次過多引起的梯度消失問題以及語義信息缺失問題.在ResUnet中，采用了多尺度特征融合的策略，以更全面地捕獲不同深度編碼器中的特征，從而獲取各種級別的詳細信息.

VM-Unet集成視覺狀態(tài)空間（VSS）模塊作為基礎(chǔ)構(gòu)建模塊，旨在廣泛地捕獲上下文信息，并構(gòu)建非對稱的編碼器-解碼器架構(gòu).具體而言，PatchEmbedding層率先將圖像分割為 4×4 的非重疊patch，隨后將圖像通道數(shù)量轉(zhuǎn)換為C.編碼器包含4個階段，在前三個階段的末端運用補丁合并操作，有效地降低了輸入特征的高度與寬度，并同時提升通道數(shù)量.與之類似，解碼器同樣劃分為4個階段.在最后三個階段的起始處，借助補丁擴展操作以削減特征通道數(shù)量，并增加其高度與寬度.隨后，引入最終投影層來恢復(fù)特征尺寸，從而匹配分割目標(biāo).在跳躍連接中，采用簡易加法運算方式，避免引入任何額外參數(shù).

FRNet引入了循環(huán)神經(jīng)網(wǎng)絡(luò)到ConvNeXt模塊中，去除了傳統(tǒng)Unet系列網(wǎng)絡(luò)中常見的下采樣和上采樣操作.通過采用6個連續(xù)的ConvNeXt模塊結(jié)構(gòu)進行圖像分割，相對于傳統(tǒng)的Res網(wǎng)絡(luò)結(jié)構(gòu)，ConvNeXt采用了 7×7 的卷積塊，顯著減少了激活函數(shù)和正則化的次數(shù).在訓(xùn)練策略和激活函數(shù)的選擇方面進行了改進，在實驗中展現(xiàn)出更出色的性能.

視覺轉(zhuǎn)換算法將輸入圖片劃分成圖片塊后組合成序列，傳人轉(zhuǎn)換器特有的多頭自注意力機制進行特征提取，最后，利用分類標(biāo)記進行分類.

2實驗

2.1 OCTA-500和ROSSA數(shù)據(jù)集

為了對比不同算法在不同數(shù)據(jù)集上是否存在差異，本實驗選用兩個公開數(shù)據(jù)集：OCTA- 500^[21] 和ROSSA數(shù)據(jù)集.OCTA-500數(shù)據(jù)集來源于500名受試者的視網(wǎng)膜圖像信息，根據(jù)視野分為兩個子集：OCTA ?6mm 和 OCTA-3mm. 本研究分別選取300名受試者的 6mm 范圍圖片和200名受試者的 3mm 圖片， 6mm 范圍圖像的分辨率為 304pixel×304pixel，3mm 范圍圖像的分辨率為 400pixel×400pi xel，原始圖像格式與分割標(biāo)簽圖片格式均為bmp格式.對ROSSA數(shù)據(jù)集中的100張圖像手工標(biāo)注，剩余718張圖像使用Facebook的 segment anything model（SAM）工具進行標(biāo)注.標(biāo)簽圖片中的白色像素對應(yīng)著血管區(qū)域，標(biāo)注出視網(wǎng)膜中的血管結(jié)構(gòu).黑色像素表示背景區(qū)域，不含血管信息.這些標(biāo)簽圖片用于訓(xùn)練模型，讓模型學(xué)習(xí)如何識別并區(qū)分血管與背景，如圖1所示.

2.2 數(shù)據(jù)預(yù)處理

對于深度學(xué)習(xí)算法，數(shù)據(jù)集以7：3大小劃分訓(xùn)練集和測試集，其中，OCTA-6mm數(shù)據(jù)包含訓(xùn)練樣本

210張，測試數(shù)據(jù)90張； OCTA-3mm 包含訓(xùn)練數(shù)據(jù)140張，測試數(shù)據(jù)60張；ROSSA數(shù)據(jù)集包含訓(xùn)練數(shù)據(jù)718張，測試數(shù)據(jù)100張.為避免OCTA-500數(shù)據(jù)集樣本數(shù)量較少引發(fā)模型訓(xùn)練的欠擬合問題，在訓(xùn)練過程之前，首先對輸入圖像進行歸一化，并將每張圖片以 50% 的概率隨機進行裁剪、旋轉(zhuǎn)或翻轉(zhuǎn)操作，以便增強數(shù)據(jù)集的特征信息，提高模型的泛化能力.

2.3 實驗環(huán)境

使用Ubuntu 18.04.5LTS作為虛擬機操作系統(tǒng)，PyCharm 2021.1.1（Professional Edition）作為實驗的集成開發(fā)環(huán)境.深度學(xué)習(xí)采用PyTorch作為主要工具.

分別用FCM，Unet，ResUnet，VIT、VM-Unet和FRNet算法進行實驗，訓(xùn)練輪次設(shè)置為10O，優(yōu)化器使用Adam.Unet模型中，設(shè)定批次大小為4，其余模型中，設(shè)定為2.損失函數(shù)采用DiceLoss.

2.4 評價指標(biāo)

視網(wǎng)膜的微血管網(wǎng)絡(luò)包含相互連接的復(fù)雜微血管結(jié)構(gòu)，為了有效地判斷分割算法的有效性，

選取了7個指標(biāo)作為評價標(biāo)準(zhǔn)：Dice系數(shù)、均交并比、特異性、精確度、準(zhǔn)確度、假正例率及敏感性.根據(jù)分割結(jié)果將像素點分為4類，類別含義如表1所示，指標(biāo)含義及計算公式如表2所示．

2.5 實驗結(jié)果與分析

選用上述分割算法分別在OCTA-500和ROSSA數(shù)據(jù)集中訓(xùn)練和測試，實驗效果如表3＼～5所示.其中，表3為各算法在 OCTA-3mm 數(shù)據(jù)子集中的分割效果，表4為各算法在OCTA-6mm數(shù)據(jù)子集中的分割效果，表5為各算法在ROSSA數(shù)據(jù)集中的分割效果.

可以看出，在不同數(shù)據(jù)集中，基于深度學(xué)習(xí)的各個分割算法所分割效果均優(yōu)于傳統(tǒng)分割算法FCM.其中，在OCTA ?3mm ！ 0CTA-6mm 和RossA數(shù)據(jù)集上，F(xiàn)RNet的 A_cc 分別提高了 4.78%，3.10% 和 3.43% ， 提高了 33.69% 22.49% 和 31.49% .這是由于相比與傳統(tǒng)算法，深度神經(jīng)網(wǎng)絡(luò)中的卷積塊參數(shù)可以學(xué)習(xí)到更加細微的特征，對于復(fù)雜的血管結(jié)構(gòu)的分割效果更為細致.

由表3可知，在 OCTA-3mm 數(shù)據(jù)集中，Unet模型的 F_dr 為 7.08% S_pe 為 99.34% ，優(yōu)于其他模型，這是由于OCTA-3mm數(shù)據(jù)集的視野范圍較窄，血管半徑相對較大，Unet結(jié)構(gòu)簡單，在復(fù)雜性較低的數(shù)據(jù)集上更具優(yōu)勢.在 OCTA-6mm 數(shù)據(jù)集上，ResUnet分別在 F_dr 和 S_pe 上優(yōu)于其他模型.由表5可知，在ROSSA數(shù)據(jù)集上，ResUnet的各方面指標(biāo)大體上優(yōu)于Unet，且ResUnet的 S_en 指標(biāo)優(yōu)于其他算法，這是因為Res網(wǎng)絡(luò)會將上一層的特征與當(dāng)前層的特征結(jié)合，在避免梯度消失的同時提升了收斂效果，更好地保留了原始特征尺寸.

相對而言，F(xiàn)RNet綜合能力優(yōu)于其他深度學(xué)習(xí)算法，在三個數(shù)據(jù)集上均獲得最高的 P_re，I_oU，A_cc 和 D_ice 由于FRNet連續(xù)的ConvNext結(jié)構(gòu)，不包含編碼器-解碼器結(jié)構(gòu)，從而避免了在下采樣過程中的特征損失，能夠更完整地保留原始圖像特征.此外，循環(huán)神經(jīng)網(wǎng)絡(luò)在每個卷積層中進行更加細致的像素特征計算.ConvNext結(jié)構(gòu)通常包含多個卷積層和非線性激活函數(shù)，有助于提取豐富的圖像特征，使得網(wǎng)絡(luò)能夠更好地捕獲圖像的局部和全局信息，進而提升分割任務(wù)的準(zhǔn)確性.

圖2是不同分割算法在數(shù)據(jù)集OCTA-6mm上的分割結(jié)果.在OCTA采集到的圖像中，部分血管與背景亮度較為相近，分割較為困難.FCM算法受噪聲干擾明顯，分割出的血管存在斷裂現(xiàn)象，有較多孤立的噪點，不利于觀察血管形態(tài)和管徑.相比之下，各深度學(xué)習(xí)均可以更加清晰、連續(xù)地將血管分割出來.但如圖2紅圈標(biāo)注所示，在該視網(wǎng)膜圖像中Unet，VIT，VM-Unet均未識別出兩處血管，ResUnet能夠檢測出部分血管，但識別出的血管并不完整.相較于其他算法，F(xiàn)RNet能夠更加清晰完整地分割血管，這和表4中的血管分割評價指標(biāo)相一致.

圖3為預(yù)處理操作對實驗效果的影響.由圖3可知，血管末端OCTA采集到的血管與背景亮度接近，未引入預(yù)處理操作的FRNet算法沒有完整分割出血管.這是因為隨機裁剪、翻轉(zhuǎn)等操作會將圖像中較為模糊的特征進行擴充；歸一化能夠減少圖像之間的差異，使模型更容易學(xué)習(xí)到圖像的特征，因此引入預(yù)處理操作后，F(xiàn)RNet算法具有更好的學(xué)習(xí)效果．

3結(jié)語

本文研究了不同分割算法在視網(wǎng)膜血管分割任務(wù)中的有效性.在不同數(shù)據(jù)集上對分割性能進行了比較和分析.選擇了傳統(tǒng)的FCM，Unet，ResUnet，VIT，VM-Unet與FRNet算法進行對比.FCM算法在視網(wǎng)膜血管分割中不夠精確，受噪聲干擾明顯，不能將整支血管連續(xù)分割出來.Unet算法綜合表現(xiàn)優(yōu)異，但存在邊界模糊和細小血管的漏檢問題.ResUnet算法結(jié)合了ResNet算法的優(yōu)點和Unet算法的分割結(jié)構(gòu)，在視網(wǎng)膜血管分割任務(wù)中表現(xiàn)更出色.FRNet算法引人循環(huán)神經(jīng)網(wǎng)絡(luò)，能夠?qū)⑵渌惴z的血管分割出來，展示了其在復(fù)雜血管分割任務(wù)中的卓越能力.另外，本文還證實了合理的數(shù)據(jù)預(yù)處理操作能提高FRNet算法視網(wǎng)膜血管分割的效果.未來的研究可以進一步改進深度學(xué)習(xí)架構(gòu)，以及探索更多先進的特征提取方法，以提高視網(wǎng)膜血管分割的準(zhǔn)確性和穩(wěn)健性，

參考文獻：

[1] GRAUSLUNDJ.Diabeticretinopathysreeing intheemerging eaofartificialintellgence[J].Diabetologia，O2，65（9）： 1415-1423.

[2]SEDAIS，ANTONYB，RAIR，etal.Uncertainty guided semisupervisedsegmentationofretinalyers inOCTimages[C]/ Proceedings of the22nd IntermationalConferenceon Medical Image ComputingandComputer-Asisted Intervention.Shenzhen： Springer，2019：282-290.

[3]朱曉紅，趙玥，姚進.病理性近視黃斑出血的OCTA影像特征[J].國際眼科雜志，2022，22（4）：673-676. ZHU X H，ZHAOY，YAO J.Imaging features of OCTA in the macular hemorhage of pathologic myopia[J].International Eye Science，2022，22（4）：673-676.

[4]LIM C，CHEN YR，JI Z X，et al. Image projection network ： 3D to 2D image segmentation in OCTA images [J].IEEE Transactions on Medical Imaging，2020，39（11） ：3343-3354.

[5]PANAHI A，ASKARI MOGHADAM R，TARVIRDIZADEH B，et al. Simplified U-net as a deep learning inteligent medical assistive tool in glaucoma detection[J].Evolutionary Intelligence，2024，17（2）：1023-1034.

[6］胡瑾，朱德軍，王娟，等.應(yīng)用OCTA對無糖尿病視網(wǎng)膜病變的糖尿病患者糖化血紅蛋白與黃斑血管密度的定量分 析[J].寧夏醫(yī)學(xué)雜志，2022，44（11）：964-967. HUJ，ZHUDJ，WANGJ，etal.The analysisofHbAlcand macular vasculardensityindiabetic patients withnon-diabetic retinopathy by OCTA[J]. Ningxia Medical Journal，2022，44（11） ：964-967.

[7]RAYR，JENAS，PARIDAP.Anefective thresholdbasedtechnique forretinal image blood vessel segmentationonfundus image usingaverageandGausianflters[C]/Procedingsof the2ndInternationalConferenceonComputing，Communication and Learning.Warangal： Springer，2023：175-188.

[8]OOIA ZH，EMBONG Z，ABD HAMIDAI，et al.Interactive blood vessel segmentation from retinal fundus image based on canny edge detector[J].Sensors，2021，21（19）：6380.

[9]RODRIGUES EO，CONCI A，LIATSIS P.Element： multi-modal retinal vessel segmentation based onacoupled region growing and machine learning approach [J]. IEEE Journal of Biomedical and Health Informatics， 2020，24（12）：3507-3519

[10]YAVUZ Z，KOSE C.Blood vessel extraction incolorretinal fundus images with enhancement filtering andunsupervised classification[J]. Journal of Healthcare Engineering，2017，2017：4897258.

[11]PATELTR，PALIWALN，JAISWALP，etal.Multi-resolution CNN forbrainvessel segmentation fromcerebrovascular images of intracranial aneurysm：a comparisonof U-Netand DeepMedic[C]//Proceedings of SPIE 11314，Medical Imaging 2020：Computer-Aided Diagnosis. Houston： SPIE，2020：677-685.

[12]LEEK，SUNWOOL，KIMT，etal.Spider U-Net： incorporating inter-sliceconnectivityusing LSTMfor3Dbloodvessel segmentation[J].Applied Sciences，2021，11（5）：2014.

[13]SUN K，CHENY，CHAOY，etal.Aretinal vessel segmentation method basedimproved U-net model[J].Biomedical Signal Processing and Control， 2023，82：104574.

[14]LIDY，PENGLX，PENGSH，etal.Retinalveselsegmentationbyusing AFNet[J].The Visual Computer，2023，39（5）： 1929-1941.

[15]WIHARTO W， SURYANI E.The analysis effct of cluster numbers on fuzzy C -means algorithm for blood vessel segmentation ofretinalfundus image[C]//Proceedingsof2O19 International ConferenceonInformationandCommunications Technology. Yogyakarta：IEEE，2019：106-110.

[16] DUXF，WANGJS，SUN W Z. UNet retinal blood vessel segmentation algorithm basedon improved pyramid pooling method and attention mechanism[J].Physics in Medicine amp; Biology，2021，66（17）： 175013.

[17]LID，DHARMAWAN DA，NGBP，et al. Residual U-net for retinalvesel segmentation[C]//Procedingsof 2019 IEEE International Conference on Image Processing.Taipei，China：IEEE，2019：1425-1429.

[18]NING HJ，WANG CL，CHEN XR，et al.Anaccurate and eficient neural network forOCTA vessel segmentation and a new dataset[C]// Proceedingsof 224IEEE International ConferenceonAcoustics，SpeechandSignal Procesing.Seoul：IEEE， 2024：1966-1970.

[19]賈洪，鄭楚君，李燦標(biāo)，等.基于局部線結(jié)構(gòu)約束的FCM聚類視網(wǎng)膜血管分割[J].光學(xué)學(xué)報，2020，40（9）：0910001. JIA H，ZHENG C J，LI CB，et al. Retinal blood vessel segmentation basedon fuzzy C-means clustering acording to the local line structural constraint[J].Acta Optica Sinica，2020，40（9）：0910001.

[20]李奇澤.基于區(qū)域級隸屬度函數(shù)的圖像分割評估分析[J].電子產(chǎn)品世界，2023，30（10）：54-57. LIQZ.Imagesegmentationevaluationbasedonregionallevelmembership function[J].ElectronicEngineeringamp;Product World，2023，30（10）：54-57.

[21]LI M C， HUANG K，XUQZ，et al. OCTA-500： a retinal dataset foroptical coherence tomography angiography study[J]. Medical Image Analysis，2024，93：103092.

（責(zé)任編輯：包震宇，郁慧）