基于改进U-Net的眼底图像血管分割方法

王忠源 谢正言 许一虎

摘要： 眼底血管图像分析可用于各种眼病的评估和监测。它在降低失明风险方面发挥着重要作用。目前，许多眼底血管分割模型在小血管的分割结果上仍需改进。针对上述问题，我们提出了一种改进U-Net模型的视网膜血管分割方法。首先，利用网状跳跃连接提取浅层到深层的特征映射。然后将特征图拼接融合，最大限度地发挥它们的作用。在特征层中，我们采用空洞卷积来增加接受野。在DRIVE、STARE、CHASE_DB1三个标准数据集上验证了该方法的分割精确度分别为0.9595，0.9716， 0.9638。实验结果表明，该方法是一种良好的视网膜血管分割方法，比现有的许多视网膜血管分割方法具有更好的分割效果。

关键词： 深度学习;眼底图像;视网膜血管分割

中图分类号：TP391      文献标识码：A

文章编号：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图像是眼睛内表面的投影[1]。眼底视网膜图像观察是眼科医生诊断高血压、黄斑水肿、糖尿病视网膜病、青光眼等眼部疾病的重要一步[2]。早期诊断可以预防视力下降，有规律地测量血管直径、分支角度和分支长度，已成为早期诊断和有效监测视网膜病理的医学应用基础。因此，眼底图像的血管分割成为定量分析疾病的先决条件[3]。视网膜血管结构极其复杂，曲率高，形态多样，这使得视网膜血管分割任务非常具有挑战性[4]。目前，人工分割获取视网膜血管是一种耗时且复杂的方法。因此，血管自动分割研究迫在眉睫[5]。

许多学者对视网膜自动分割算法进行了研究，主要分为两类：无监督方法和监督方法。无监督的方法聚焦于视网膜血管的内在特性[6]。传统的无监督医学图像分割算法包括阈值分割、聚类方法和基于直方图的方法等。无监督分割算法不需要训练模型，分割速度上具有优势。然而，在提高分割精度方面还有很大的改进空间[2]。

监督方法通过提取精确的人工标记的血管信息来改进学习。对血管特征信息更加敏感，具有较强的可靠性和稳定性[7]。与无监督方法相比，它们有很大的优势。目前先进的监督方法模型是Ronneberger等人[8]提出的U-Net和Long等人[9]提出的基于编解码器网络的全卷积网络（FCN）。它们被广泛应用于语义和实例分割模型中。但是，编解码器网络有两个限制，存在一定的局限性：1）网络深度越大，计算量越大，但计算结果不一定越好; 2）不同的数据集决定了不同的网络最优深度。因此，U-Net在不同应用方面仍有很大潜力。Zhou等人[10]提出了UNet++，旨在克服上述局限性，明显的改进是网状跳跃连接。网状跳跃连接具有以下优点： 1）该架构能够充分有效地捕捉目标的详细特征，提高分割性能; 2）该模型能够适应多種不同的数据集。所以，本文提出了一种基于网状跳跃连接的改进U-Net的视网膜血管分割模型。我们使用网状跳跃连接从不同深度的层中提取特征图，再将这些特征图连接和融合，以最大限度地利用它们。在特征层中，我们使用空洞卷积来增加接受域。最后在DRIVE、STARE、CHASE_DB1三个标准数据集上进行了测试。

本文的贡献可以概括为两个方面。1）我们提出了一个改进U-Net的模型。使用网状跳跃连接，连接和融合不同深度的特征图，并在特征层使用空洞卷积。这些改进可以充分利用特征图的优势，增加感受野，引导模型学习更好地分离血管和非血管。2）提出的方法是一种自动的视网膜血管分割方法。我们在三个标准数据集上进行训练和测试。结果表明，该方法优于现有的许多方法。本文的其余部分组织如下： 第二部分是描述所提出的改进U-Net方法，第三部分是对眼底图像进行血管分割的实验设置、结果和讨论，第四部分是结论。