低尺度血管檢測在視網(wǎng)膜血管分割中的應(yīng)用*

吳鑫鑫，肖志勇，劉 辰

江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院，江蘇 無錫214122

1 引言

報告顯示，截至2017 年，全球約4.25 億成人患糖尿病，占總?cè)丝诘?.8%，預(yù)計到2045 年，糖尿病患者可能達到6.29 億。2017 年全球糖尿病患者（20～79歲）分布中，中國達到了1.144 億，排在第一位。據(jù)評估，全球有多達2.124 億人或所有20～79 歲糖尿病患者的一半不知道已患病[1]。并且已知病史的糖尿病患者中，視網(wǎng)膜病變的患病率高達65.2%[2]。視網(wǎng)膜血管的形態(tài)、寬度、角度等信息可以直接用于疾病的診斷和篩選[3]，因此早期的檢測很重要。

傳統(tǒng)的檢測需要醫(yī)生手工標(biāo)注血管，任務(wù)量大，需要耗費近兩小時[4]來完成一張圖片的血管分割。為了節(jié)約人力，提高效率，需要借助計算機輔助，自動化地分割血管。視網(wǎng)膜血管分割方法主要有兩大類：一類是非監(jiān)督學(xué)習(xí)的分割方法；另一類是監(jiān)督學(xué)習(xí)的分割方法。

非監(jiān)督學(xué)習(xí)方法主要是根據(jù)血管的某個或者多個特性來提取血管。主要有基于形態(tài)學(xué)的方法、基于血管跟蹤的方法、基于匹配濾波的方法和基于形變模型的方法。其中基于形態(tài)學(xué)的方法[4-6]，主要利用了血管比背景亮度低的特點，通過形態(tài)學(xué)膨脹腐蝕等操作，能很好地檢測出大部分血管。但是此類方法對高亮度區(qū)域（視盤、光斑）較敏感，并且對比度較小的血管以及細小的血管檢測效果不太理想。基于匹配濾波的方法，主要利用血管具有較小的曲率，并且血管的橫截面近似于高斯曲線的特性。最常見的有高斯濾波[5]、Gabor 濾波[7]，操作簡單，但是對噪音的影響較大。Azzopardi 等人[8]設(shè)計出了B-COSFIRE濾波器，該濾波器可以對不同方向上的血管主干和末端進行精確檢測，尤其對細小的血管有很好的檢測效果?；谘芨櫟姆椒╗9-10]，主要利用了血管連續(xù)的特點，找到起始點，沿著血管網(wǎng)絡(luò)不斷延伸，直到滿足終止條件停止。自動跟蹤算法的難點在于初始種子點的設(shè)定，人為的設(shè)定需要增加人工負擔(dān)，自動設(shè)定需要精確定位到血管內(nèi)部。好的跟蹤算法不僅能檢測連續(xù)血管，還需要能夠檢測連續(xù)的血管段，這樣才不會由于血管的局部連續(xù)而過早結(jié)束?；趲缀涡巫兡Ｐ偷姆椒╗11-12]，主要是用連續(xù)的曲線來描述血管的輪廓。邊界曲線通過能量函數(shù)的參數(shù)定義，為了使能量函數(shù)達到最小值，邊界會在力的作用下，向血管的邊界靠近，使得邊界上的點處于穩(wěn)定狀態(tài)。這種方法對邊界敏感，因此背景中的相似部分以及噪音會對結(jié)果產(chǎn)生一定的影響。

監(jiān)督學(xué)習(xí)的方法主要是事先標(biāo)記好血管點和背景點，再通過構(gòu)造好的模型來學(xué)習(xí)輸入到輸出間的映射關(guān)系，不斷調(diào)整模型。監(jiān)督學(xué)習(xí)的改進方法主要有兩個方面：一個是基于輸入的特征，輸入的特征的個數(shù)以及特征在血管方面的特征表達能力，Aslani等人[13]選用了高達17 個特征作為輸入，包括了Gabor濾波響應(yīng)特征、頂帽變換、B-COSFIRE 濾波響應(yīng)等；而謝林培[14]僅用了彩色圖像的3 個通道作為輸入特征。另一種是基于模型，對于不同的模型，特征提取的能力也不一樣，蔡軼珩等人[4]采用了支持向量機（support vector machines，SVM）作為分類模型，SVM 是比較典型的二分類模型，主要原則為間隔最大化，對眼底圖像的血管類和背景類像素點有很好的分類作用；Vengalil等人[15]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）的血管分割方法。該模型由1 個輸入層、8 個卷積層、3 個池化層和1 個輸出層組成。模型的輸入直接是未作任何預(yù)處理的彩色眼底圖像，輸出層以內(nèi)核大小為1×1 的卷積層替換全連接層，直接輸出分割結(jié)果。其中，輸出結(jié)果為灰度圖像，還需進一步后處理，通過閾值分割，得到最后的血管分割圖。這種以卷積層取代全連接層的網(wǎng)絡(luò)也被稱為全卷積神經(jīng)網(wǎng)絡(luò)（fully convolutional networks，F(xiàn)CN），也是圖像語義分割的常用模型，可以模擬人腦的視覺系統(tǒng)處理方式，分割效果甚至能夠超過人眼。姜玉靜[16]在FCN 的基礎(chǔ)上，采用了在邊緣檢測方面效果突出的HED（holistically-nested edge detection）網(wǎng)絡(luò)模型[17]，并通過條件隨機場（conditional random field，CRF）進行后處理，得到的血管分割精度高達95.15%。監(jiān)督學(xué)習(xí)的方法，在充足的訓(xùn)練數(shù)據(jù)和優(yōu)異的模型下，分割的結(jié)果往往表現(xiàn)得比非監(jiān)督學(xué)習(xí)的方法更好。

Fig.1 Flow chart of vessel segmentation圖1 血管分割流程圖

本文采用監(jiān)督學(xué)習(xí)的方法，僅采用兩個特征作為輸入：一個是彩色視網(wǎng)膜圖像對比度較高的綠色通道；另一個是經(jīng)過B-COSFIRE 濾波得到的響應(yīng)結(jié)果。網(wǎng)絡(luò)模型采用的是LVD（low-scales vessel detection），每個尺寸通過子網(wǎng)絡(luò)ADS（asymmetric depthfixed sub-network）提取血管特征，然后將兩個低尺寸下的血管特征得到的單一輸出結(jié)果融合原尺寸下的血管特征，得到輸出結(jié)果，再二值化，得到最后的分割結(jié)果。

2 本文方法

分割血管的流程如圖1 所示，在訓(xùn)練階段，需要先對訓(xùn)練圖像進行特征提取，將得到的兩個特征歸一化后，送入LVD 模型中訓(xùn)練，并通過人工標(biāo)注圖像進行不斷自我學(xué)習(xí)。在測試階段，需要將測試圖像進行同樣的特征提取和歸一化操作，然后在訓(xùn)練好的網(wǎng)絡(luò)模型中測試，得到測試結(jié)果。最后還需要二值化得到最后的分割結(jié)果。

2.1 特征提取

為了選取最典型的特征，本文除了將彩色視網(wǎng)膜眼底圖像中對比度較高的綠色通道作為一個特征外，還使用B-COSFIRE 濾波器得到血管響應(yīng)的特征。

B-COSFIRE 濾波器是受到簡單細胞神經(jīng)元對特定結(jié)構(gòu)敏感的啟發(fā)，開發(fā)出來檢測圖像中帶狀區(qū)域。B-COSFIRE 濾波器的輸入需要通過一組線性對齊的高斯差分濾波器（difference of Gaussian，DoG）得到，這種計算模型是模擬丘腦內(nèi)外側(cè)膝狀體背側(cè)核細胞（lateral geniculate nucleus，LGN）感受視覺信號變化的過程[18]。圖2（a）給出了一個檢測垂直血管的B-COSFIRE 濾波器模型，其中垂直的白條是人為設(shè)計的血管，實心圓代表DoG 濾波器的過濾區(qū)域。以血管的中心黑點為模型的中點，將附近多個DoG 感應(yīng)區(qū)域考慮進來后，整個B-COSFIRE 模型的感受野近似虛線圍成的橢圓區(qū)域。最后，通過乘法操作將來自一組DoG 濾波器的響應(yīng)結(jié)合起來，得到最終的濾波結(jié)果。DoG 濾波器表達式如下：

Fig.2 B-COSFIRE model and categories圖2 B-COSFIRE 模型與類別

其中，外部高斯函數(shù)偏差為σ，內(nèi)部高斯函數(shù)標(biāo)準(zhǔn)偏差為0.5σ[19]。對于給定的灰度圖I，濾波后的結(jié)果為cσ(x,y)=|I×DoGσ|+，其中|·|+cσ符號表示去負為零，即整流線性單元（rectified linear unit，ReLU）。然后，通過響應(yīng)結(jié)果cσ(x,y)自動構(gòu)造B-COSFIRE 濾波器。圖2 中顯示了B-COSFIRE 兩種濾波器，其中圖2（b）是對稱的B-COSFIRE 濾波器模型，可以檢測血管主干；圖2（c）是非對稱的B-COSFIRE 濾波器模型，對血管末端有很好的檢測效果。以圖2（b）為例，以血管中心點（標(biāo)注為1 的點，下同）和其周圍的考察點（在同心圓上DoG 響應(yīng)最大點，如標(biāo)注2、3、4、5 的點，下同）構(gòu)造一個三元組集合，其中σi為外部高斯函數(shù)的標(biāo)準(zhǔn)偏差，(ρi,φi)是第i個考察點以血管中心點為原點的極坐標(biāo)，一共m個考察點。為了提高各個點位置的容錯性，需要對DoG 濾波響應(yīng)進行模糊移位操作。首先，模糊操作是計算DoG 濾波器的加權(quán)閾值響應(yīng)的最大值，通過將DoG 濾波器的響應(yīng)乘以高斯函數(shù)。偏差σ′的計算為σ′=，其中α、為常數(shù)，ρi為到血管中心點的距離。移位操作是將每個DoG 模糊響應(yīng)朝著φi相反的位置移動ρi距離，以到達B-COSFIRE 濾波器的中心。移位量為(?xi,?yi)，其中?xi=-ρicosφi，?yi=-ρisinφi。一個三元組(σi,ρi,φi)模糊移位的響應(yīng)可以表示為：

其中，-3σ′≤x′,y′≤3σ′。最后，求取集合S中所有三元組的模糊移位的幾何平均，得到最終的濾波結(jié)果：

為了檢測不同方向的血管，還需要設(shè)計不同方向上的B-COSFIRE 濾波器。而B-COSFIRE 濾波器能很容易調(diào)整，直接改變角度φi，就可以構(gòu)造任意方向上的濾波器：

2.2 歸一化

對數(shù)據(jù)的歸一化操作，不僅可以降低運算量，而且會更快地收斂。本文將原始數(shù)據(jù)規(guī)范到[-0.5，0.5]的范圍，大致分為兩步。第一步，去掉異常值。本文通過3 倍標(biāo)準(zhǔn)差法去掉異常值，先將特征矩陣減去均值，得到新的特征矩陣，然后對特征矩陣中超過3 倍標(biāo)準(zhǔn)差的部分進行調(diào)整，使得新的特征矩陣與均值的差的絕對值不超過標(biāo)準(zhǔn)差的3 倍。第二步，縮放。在第一步操作基礎(chǔ)上，對新得到的特征矩陣進行調(diào)整，采用最大最小規(guī)范化將數(shù)據(jù)映射到[0，1]的區(qū)間上，再減去0.5 得到。由于輸入數(shù)據(jù)包含了多個特征，需要對每個特征維度進行歸一化，然后再整合，一起作為LVD 的輸入。

2.3 LVD

特征矩陣進行調(diào)整，采用最大最小規(guī)范化將數(shù)據(jù)映射到[0，1]的區(qū)間上，再減去0.5 得到。由于輸入數(shù)據(jù)包含了多個特征，需要對每個特征維度進行歸一化，然后再整合，一起作為LVD 的輸入。FCN 是由Long 等人[20]提出來實現(xiàn)端到端的學(xué)習(xí)，并且輸出和輸入的數(shù)據(jù)尺寸相同，適用不同尺寸下的圖像在同一網(wǎng)絡(luò)模型中獲取到特定的特征。在基于FCN 的網(wǎng)絡(luò)架構(gòu)中，Xie 等人[17]提出了HED 模型，如圖3 左側(cè)所示，該模型是在多尺度下，將每個尺度下的單一輸出融合得到最后的結(jié)果，主要用來完成圖像邊緣的提取，具有很好的效果。本文簡化了HED 模型，提出了LVD 模型，模型圖顯示在圖3 中間。相比HED 模型，LVD 模型少了兩個尺度，只保留了3 個尺度，分別代表原尺度和兩個低尺度。并且在兩個低尺度下都有一個單一輸出層（single-output）。為了保留原尺寸的細節(jié)特征，需要將兩個低尺寸下的single-output 融合原尺度下提取的feature maps，這樣可以在一定程度上保留所有的細節(jié)，避免細節(jié)丟失。對于每個尺度下的特征提取，子網(wǎng)絡(luò)的選取不僅要考慮到卷積核的尺寸，還需要考慮不同的組合。GoogleLeNet設(shè)計了Inception模塊，從最初的Incetption v1到Inception v3，卷積核的尺寸越來越小，從Inception v3 到Inception v4，網(wǎng)絡(luò)越來越深[21-24]。本文參考了Inception 模型簡化參數(shù)和增加網(wǎng)絡(luò)深度的思想，設(shè)計了非對稱固定深度子網(wǎng)絡(luò)（asymmetric depth-fixed subnet，ADS）。該網(wǎng)絡(luò)有10 層卷積層，每一層的卷積核都是非對稱的小卷積核，并且深度固定，如圖4 所示。

Fig.3 HED model and LVD model圖3 HED 模型和LVD 模型

Fig.4 ADS structure圖4 ADS 結(jié)構(gòu)

其中，網(wǎng)絡(luò)的第一層采用1×2 的卷積核，最后一層采用3×1 的卷積核。對于子網(wǎng)絡(luò)ADS-N，則子網(wǎng)絡(luò)ADS 中所有卷積核的深度都為N。將子網(wǎng)絡(luò)ADS-N 組合到LVD 模型中，可以得到LVD 完整的網(wǎng)絡(luò)結(jié)構(gòu)，如圖5 所示。網(wǎng)絡(luò)中有3 個特征提取模塊，主要是以尺度來劃分，分為了原尺寸（scale0）模塊、1/2 尺寸（scale1）模塊和1/4 尺寸（scale2）模塊。在原尺寸下，引入一個1×1 的卷積層，對特征進行降維，得到的feature maps 為M。在兩個低尺寸下，用反卷積層（deconv）上采樣，得到兩個尺寸為scale0 的singleoutput。最后將原尺寸下的M個feature maps 與兩個低尺度下的single-output 通過一個連接（concat）層融合，再用一個1×1 的卷積層卷積，得到一張與原圖尺寸相同的二維血管灰度圖，還需要對灰度圖進一步閾值分割，得到最終的血管分割結(jié)果。在LVD 中，每個卷積層后跟一個BN（batch normalization）層來加速收斂和一個ReLU 層進行激活。網(wǎng)絡(luò)中每一層的參數(shù)顯示在表1 中，其中0 ＜M＜N。

Fig.5 LVD structure圖5 LVD 結(jié)構(gòu)

Table 1 LVD parameters表1 LVD 參數(shù)

訓(xùn)練過程中，整個網(wǎng)絡(luò)的損失函數(shù)采用均方誤差，對于輸出結(jié)果y與人工標(biāo)注y′的均方誤差計算如下：

其中，n代表像素點的個數(shù)，代表平方和。為了防止過擬合，在損失函數(shù)中引入了L2 正則化項，最終的損失函數(shù)Loss定義如下：

其中，w表示網(wǎng)絡(luò)中邊上的權(quán)重；k表示正則化項的權(quán)重。

3 實驗與分析

3.1 數(shù)據(jù)集

DRIVE[25]是彩色眼底圖庫，一共40 幅圖像，其中7 幅帶有早期糖尿病視網(wǎng)膜病變，其余33 幅均為正常眼底圖像。每幅圖像的像素565×584，分成訓(xùn)練集和測試集，每個子集有20 幅圖像，每幅圖像對應(yīng)兩位專家手動分割的結(jié)果。本文選取第一位專家的分割結(jié)果作為評判標(biāo)準(zhǔn)，以第二位專家的分割結(jié)果作為人眼觀察的結(jié)果。

數(shù)據(jù)集來自DRIVE 數(shù)據(jù)庫，并通過旋轉(zhuǎn)、縮放和鏡像操作進行擴充。對于旋轉(zhuǎn)，每張彩色眼底圖像一次旋轉(zhuǎn)3°，可以生成120 張不同角度的彩色眼底圖像；對于縮放，每張彩色眼底圖像從原尺寸的0.75 倍到原尺寸的1.25 倍，一次增加0.05 倍，可以產(chǎn)生11 個不同尺寸的彩色眼底圖像；對于鏡像，一張彩色眼底圖像可以生成一個鏡像。一張圖像經(jīng)過上面3個操作，再通過裁剪和填充使圖像尺寸一致后，可以得到2 640張不同的彩色眼底圖像，對于DRIVE 的20張訓(xùn)練集，擴充后，整個訓(xùn)練集擁有高達52 800張彩色眼底圖像。

3.2 評價指標(biāo)

評價指標(biāo)主要有敏感性(Se)、特異性(Sp)、準(zhǔn)確率(Acc)。計算公式如下：

其中，真陽性（true positive，TP）表示將血管正確分割為正類的像素點數(shù)；真陰性（true negative，TN）表示將背景正確分為負類的像素點數(shù)；假陽性（false positive，F(xiàn)P）表示將背景錯分為正類的像素點數(shù)；假陰性（false negative，F(xiàn)N）表示將血管錯分割為負類的像素點數(shù)。另外，本文算法的性能也通過受試者工作特征（receiver operating characteristic，ROC）曲線來評價。ROC 曲線以真陽性率（true positive rate，TPR）為縱坐標(biāo)，假陽性率（false positive rate，F(xiàn)PR）為橫坐標(biāo)。AUC（area under ROC curve）面積是ROC 曲線與橫軸之間所夾的面積值，AUC 的值越接近1，表明算法的性能越好。

3.3 參數(shù)設(shè)置與實驗分析

在特征提取階段，B-COSFIRE的參數(shù)來自文獻[8]，對于對稱的B-COSFIRE 濾波器，σ=2.4,σ0=3,α=0.7,ρ={0,2,4,6,8} ；而在非對稱B-COSFIRE 濾波器中，σ=1.9,σ0=2,α=0.1,ρ={0,2,4,6,…,22}；B-COSFIRE濾波器可以檢測12 個方向的血管，即nr=12。

訓(xùn)練階段，N=50，M=10，整個LVD 模型參數(shù)的初始化方式是從截斷的正態(tài)分布中輸出隨機值，該正態(tài)分布的標(biāo)準(zhǔn)差為0.1；損失函數(shù)中的正則化的權(quán)值k=0.01，batch_size=5，學(xué)習(xí)率a=0.1，學(xué)習(xí)率采用指數(shù)衰減，衰減系數(shù)為0.99，衰減速度為200，迭代50 000 次，采用隨機梯度下降算法更新參數(shù)，并采用滑動平均來控制變量更新的速度，控制速度的衰減系數(shù)為0.99。實驗采用Tensorflow框架，在GeForce GTX 1080 Ti的兩個GPU 上并行訓(xùn)練。

Fig.6 ROC curve圖6 ROC 曲線

Fig.7 Histogram of test result圖7 測試結(jié)果的直方圖

Fig.8 Partial test results圖8 部分測試結(jié)果

在DRIVE 訓(xùn)練集上進行測試，得到圖6 的ROC曲線以及AUC 值。從圖中可以看出，ROC 曲線靠近左上角，并且AUC 值高達0.978 2，體現(xiàn)了本文算法的可靠性。網(wǎng)絡(luò)模型測試的結(jié)果是一張二維的灰度圖，體現(xiàn)的是血管分布的概率圖，還需要進一步二值化得到最終的分割結(jié)果。在閾值分割前，先將測試結(jié)果采用最大最小歸一化法調(diào)整到[0，1]的范圍內(nèi)。為了分析血管的分布情況，取出一張測試結(jié)果的直方圖進行分析，如圖7 所示?？梢园l(fā)現(xiàn)，圖中像素值的分布主要集中在0 和0.9 附近，通過最大類間方差算法可以自動地尋找最佳閾值，并進行閾值分割。最后對得到的網(wǎng)絡(luò)模型在DRIVE測試集測試，Se、Sp、Acc平均指標(biāo)分別達到了0.819 2、0.984 2、0.969 5，部分測試圖像的分割結(jié)果顯示在圖8 中。其中，第三列為測試結(jié)果，第四列為二值化分割結(jié)果，最后一列表示的是二值化結(jié)果與專家分割圖的對比，其中黃色區(qū)域為相交的區(qū)域，而紅色區(qū)域是本文算法將背景錯誤劃分為血管的部分，綠色部分為未被檢測出的血管部分。以圖8 中的第一張圖為例，截取了對比結(jié)果的部分區(qū)域進行分析，為了檢測本文算法對血管末端的檢測效果，放大了局部血管末端，如圖9（a）所示，可以看出檢測的管末端基本跟專家分割的結(jié)果保持一致，并且血管的曲率、寬度、長度等屬性幾乎一致，也沒有出現(xiàn)離散的點，具有很好的連續(xù)性。本文還放大了密集血管附近的區(qū)域，如圖9（b）所示，可以看出，對于空間相鄰的血管，并沒有產(chǎn)生血管粘黏的現(xiàn)象，能很好地將血管間隙中的背景分割開來，達到了很好的檢測效果。本文在實驗中還發(fā)現(xiàn)，本文算法檢測出了專家標(biāo)記的血管部分，如圖10 所示。將原圖的綠色通道局部放大，可以看出原圖中靠近視場邊緣有一個細小的血管，如圖10（a）中的白色箭頭指向的區(qū)域，該血管對比度較小，肉眼很難看出，而本文算法卻能夠?qū)Ρ榷葮O低的細小血管進行檢測，體現(xiàn)了本文算法的健壯性。本文算法也有不足的地方，如圖11 所示。取了兩塊地方，一個是血管末稍處，還有一個是視盤區(qū)域，如圖11（a）。其中血管末梢很多未被分割出來，而在測試結(jié)果中已經(jīng)分割出來，如圖11（b）所示。這跟本文的二值化方法有關(guān)，最大類間方差考慮的是全局，找到一個具體的閾值整體分割，缺少了血管的局部信息，導(dǎo)致二值化后未被正確分割出來，還需要進一步優(yōu)化二值化方法，更多地考慮血管的局部信息。在對視盤區(qū)域分析時發(fā)現(xiàn)，將部分背景區(qū)域錯誤檢測為血管。因為視盤亮度較高，邊緣亮度較低，導(dǎo)致邊緣區(qū)域?qū)Ρ榷容^高，被誤檢為血管，模型還需要進一步優(yōu)化，更多考慮對視盤區(qū)域的特征學(xué)習(xí)。

Fig.9 Local magnification圖9 局部放大圖

Fig.10 Unmarked blood vessels detected圖10 檢測出未被標(biāo)注的血管

Fig.11 Undetected vessels圖11 未檢測出的血管

本文還與其他算法在DRIVE 數(shù)據(jù)庫上的表現(xiàn)進行對比，結(jié)果展示在表2 中。其中，人眼觀察的結(jié)果來自于DRIVE數(shù)據(jù)庫第2位專家的分割結(jié)果。文獻[8]僅采用B-COSFIRE 濾波器對血管進行特征提取，在不添加任何分類器的情況下，只靠閾值分割血管，效果接近人眼觀察的結(jié)果；而單獨地使用B-COSFIRE濾波特征，并沒有考慮噪音問題，眼底圖像中存在類似血管的背景噪音，單純的閾值分割很難區(qū)別噪音，因此在文獻[26]中，加入了RF（random forest）模型作為分類器，對包含B-COSFIRE 濾波特征的5 個特征對象進行訓(xùn)練，得到了0.960 6 的分割精確度；在本文算法中，利用全卷積神經(jīng)網(wǎng)絡(luò)的原理設(shè)計了新型的LVD 模型作為分類器，同樣采用對血管響應(yīng)較好的B-COSFIRE 響應(yīng)特征作為訓(xùn)練對象，分割精確度達到了0.969 5。而在其他方法[17,27-28]中，訓(xùn)練數(shù)據(jù)都未采用眼底圖像的B-COSFIRE 濾波特征，HED-CRF 算法直接采用的是未經(jīng)處理的彩色眼底圖像，分割精確度僅為0.951 5；FCN 和U-Net算法中都是采用了眼底圖像局部的血管塊，缺乏全局信息，分割精確度不高，分別為0.953 3 和0.953 1。對比發(fā)現(xiàn)，B-COSFIRE濾波響應(yīng)特征更能讓模型學(xué)習(xí)到血管的特征，并且對整個眼底圖像的特征學(xué)習(xí)要比基于局部血管塊的特征學(xué)習(xí)更容易獲取到全局特征，分割效果更好。為了比較分類器的好壞，通過AUC指標(biāo)進行分析，其中采用全卷積神經(jīng)網(wǎng)絡(luò)模型的AUC指標(biāo)都超過了0.970 0，本文算法更是達到了0.978 2，而采用RF 模型僅有0.963 2，這是因為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力要比傳統(tǒng)的機器學(xué)習(xí)強，更深層次的網(wǎng)絡(luò)更能表達圖像的語義特征。并且本文采用的LVD 模型區(qū)別于文獻[26-28]的全卷積網(wǎng)絡(luò)模型，沒有采用3×3 的卷積核，全部采用非對稱的小卷積核，模型的表現(xiàn)比U-Net 模型還高。在DRVIE 數(shù)據(jù)庫測試，Se、Sp、Acc、AUC分別達到了0.819 2、0.984 2、0.969 5、0.978 2，達到了先進水平。

Table 2 Comparison of different algorithms on DRIVE表2 不同算法在DRIVE 數(shù)據(jù)庫中的對比

4 結(jié)束語

本文針對自動分割血管設(shè)計了端到端的神經(jīng)網(wǎng)絡(luò)模型LVD，采用了彩色眼底視網(wǎng)膜圖像中對比度較高的綠色通道和對血管有較好響應(yīng)的B-COSFIRE濾波結(jié)果作為訓(xùn)練的兩個特征，在3 個尺度下，分別用子網(wǎng)絡(luò)ADS 提取血管特征，并將融合的結(jié)果通過最大類間方差獲取最佳閾值后二值化，得到最終的分割結(jié)果。在DRVIE 數(shù)據(jù)庫中，Se、Sp、Acc、AUC分別為0.819 2、0.984 2、0.969 5、0.978 2，體現(xiàn)了本文算法在血管特征提取上較強的學(xué)習(xí)能力，充分展現(xiàn)了本文算法在輔助醫(yī)療診斷的可行性。