U-Net與自適應(yīng)閾值脈沖耦合神經(jīng)網(wǎng)絡(luò)相結(jié)合的眼底血管分割方法

徐光柱，林文杰，陳莎，匡婉，雷幫軍*，周軍

（1.三峽大學(xué)計算機(jī)與信息學(xué)院，湖北宜昌 443002；2.湖北省水電工程智能視覺監(jiān)測重點(diǎn)實(shí)驗室（三峽大學(xué)），湖北宜昌 443002；3.宜昌市中心人民醫(yī)院超聲科，湖北宜昌 443003）

0 引言

近年來，青光眼、糖尿病性視網(wǎng)膜病變等眼科疾病的發(fā)病率不斷升高，嚴(yán)重威脅著人們的健康。眼底血管分割可為眼底圖像自動化分析提供重要的圖像配準(zhǔn)及多種眼疾判斷所需的參考信息。由于眼底血管結(jié)構(gòu)復(fù)雜、采集時易受噪聲干擾，使得手動分割血管圖像困難且工作量大，因此，自動化的眼底血管分割技術(shù)具有重要的研究及應(yīng)用價值。

許多學(xué)者提出了不同的眼底血管分割方法，可分為無監(jiān)督學(xué)習(xí)和有監(jiān)督學(xué)習(xí)兩大類［1］?；跓o監(jiān)督學(xué)習(xí)的眼底血管分割方法包括基于匹配濾波、血管追蹤、形態(tài)學(xué)的方法［2-4］；基于監(jiān)督學(xué)習(xí)的眼底血管分割方法通常將其視為像素級圖像分類問題［5-7］。無監(jiān)督學(xué)習(xí)和淺學(xué)習(xí)的監(jiān)督學(xué)習(xí)方法需要人為制定學(xué)習(xí)規(guī)則來提取血管特征，結(jié)果的好壞完全取決于規(guī)則的制定，難以應(yīng)對復(fù)雜多變的現(xiàn)實(shí)情況。

深度學(xué)習(xí)在圖像處理領(lǐng)域表現(xiàn)出了強(qiáng)大的優(yōu)勢，被廣泛應(yīng)用于眼底圖像的分割任務(wù)。Fu 等［8］視眼底血管分割為邊界檢測問題，將卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）和條件隨機(jī)場集成為深度網(wǎng)絡(luò)來分割眼底血管，首先利用多尺度、多層次CNN 獲得多尺度信息，再利用條件隨機(jī)場對像素間的長距離相互作用進(jìn)行建模；Oliveira 等［9］提出了基于全卷積網(wǎng)絡(luò)（Fully Convolutional Network，F(xiàn)CN）的眼底血管分割方法，并將平穩(wěn)小波變換引入FCN 來提高分割準(zhǔn)確率；Jin 等［10］提出了一種可變形U-Net 算法，利用眼底血管的局部特征進(jìn)行眼底血管分割；徐光柱等［11］在原始U-Net 中引入密集鏈接思想；Pan 等［12］在原始U-Net 結(jié)構(gòu)中加入殘差模塊。這些方法都是為了解決U-Net 在極深條件下網(wǎng)絡(luò)性能下降的問題。

深度學(xué)習(xí)網(wǎng)絡(luò)模型在眼底圖像自動分割任務(wù)的結(jié)果通常優(yōu)于無監(jiān)督學(xué)習(xí)和一般的監(jiān)督學(xué)習(xí)方法。研究人員通常將深度學(xué)習(xí)方法得的灰度特征圖像直接使用硬閾值方法進(jìn)行血管分割，導(dǎo)致丟失部分微小血管和粗血管壁信息，造成血管不全與過細(xì)等問題。Soomro 等［13］針對這個問題使用雙閾值與形態(tài)學(xué)技術(shù)進(jìn)行血管二值化，但效果依然不佳。若將深度學(xué)習(xí)網(wǎng)絡(luò)提取的眼底血管特征視作灰度圖像，再結(jié)合基于閾值的圖像分割方法進(jìn)一步處理，則可取長補(bǔ)短，既解決傳統(tǒng)方法泛化能力差、語義感知能力弱的問題，又克服深度學(xué)習(xí)網(wǎng)絡(luò)輸出分割結(jié)果精度低的缺點(diǎn)。

在基于灰度圖像閾值分割算法中，脈沖耦合神經(jīng)網(wǎng)絡(luò)（Pulse Coupled Neural Network，PCNN）具有動態(tài)閾值特性，適合圖像分割。Dona［14］將預(yù)處理后的眼底圖像輸入PCNN進(jìn)行血管分割，最后使用形態(tài)學(xué)操作進(jìn)行后續(xù)處理；徐光柱等［15］將高斯濾波、Gabor 匹配濾波、PCNN 和區(qū)域生長相結(jié)合，處理視網(wǎng)膜血管分割問題，但預(yù)處理過程沒有達(dá)到理想情況，血管與背景的對比度仍然較低，而且PCNN 作為無監(jiān)督方法提取特征的泛化性完全依賴手工設(shè)置的參數(shù)。

基于上述考慮，本文提出了改進(jìn)的U-Net 模型與自適應(yīng)閾值PCNN 模型相結(jié)合的眼底血管分割方法。首先利用改進(jìn)的U-Net 模型進(jìn)行初次血管增強(qiáng)，得到眼底血管的灰度特征圖像；然后將其與原圖融合，再經(jīng)過對比度受限自適應(yīng)直方圖均衡化方法（Contrast Limited Adaptive Histogram Equalization，CLAHE）處理；接著輸入改進(jìn)的U-Net 模型進(jìn)行二次血管增強(qiáng)；最后通過自適應(yīng)閾值PCNN 模型對眼底血管進(jìn)行精準(zhǔn)分割。實(shí)驗結(jié)果表明，該方法能提取更多的微小血管，提高了血管分割準(zhǔn)確率。

1 本文方法相關(guān)技術(shù)

1.1 U形全卷積神經(jīng)網(wǎng)絡(luò)U-Net

U-Net 是具有對稱的類似U 形結(jié)構(gòu)的全卷積神經(jīng)網(wǎng)絡(luò)［16］，其包含捕獲上下文的收縮路徑和實(shí)現(xiàn)精確定位的擴(kuò)張路徑。因為醫(yī)學(xué)圖像數(shù)據(jù)庫普遍存在數(shù)量少、規(guī)模小的問題，而U-Net 有跳級連接，不需要大量數(shù)據(jù)集也有較高準(zhǔn)確率，非常適合醫(yī)學(xué)圖像分割；而且CNN 可以有效降低網(wǎng)絡(luò)的復(fù)雜度、減少訓(xùn)練參數(shù)的數(shù)量。

1.2 脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN）標(biāo)準(zhǔn)模型

PCNN 是基于Eckhorn 提出的原始模型改進(jìn)得來［17］。PCNN 在圖像分割方面具有顯著的優(yōu)點(diǎn)，分割后的圖像具有旋轉(zhuǎn)不變性、強(qiáng)度不變性、尺度不變性和畸變不變性等優(yōu)點(diǎn)。圖1 給出了一個PCNN 神經(jīng)元的組成框圖，PCNN 神經(jīng)元由輸入單元、連接單元、脈沖產(chǎn)生單元組成，輸入單元由連接輸入Lij和反饋輸入Fij組成，其中i、j為第ij個神經(jīng)元；連接單元主要是產(chǎn)生內(nèi)部活動項Uij，其中β為連接系數(shù)；脈沖產(chǎn)生單元由比較器、閾值調(diào)節(jié)器、脈沖發(fā)生器組成，當(dāng)內(nèi)部活動項Uij大于動態(tài)門限Tij時，神經(jīng)元便產(chǎn)生輸出Yij。

圖1 PCNN模型Fig.1 PCNN model

2 U?Net與PCNN相結(jié)合的眼底血管分割

為了能有效利用U-Net 模型與PCNN 模型的血管分割性能，本文提出一種基于改進(jìn)的U-Net 模型與自適應(yīng)PCNN 的眼底血管分割方法，流程如圖2 所示。第一部分是預(yù)處理，實(shí)現(xiàn)血管初級增強(qiáng)與數(shù)據(jù)增廣；第二部分是改進(jìn)的U-Net 結(jié)合CLAHE 進(jìn)行迭代式血管增強(qiáng)，此時得到的灰度圖像的灰度值是該像素屬于血管的概率；第三部分是自適應(yīng)PCNN，實(shí)現(xiàn)眼底血管的分割。

圖2 本文方法流程Fig.2 Flowchart of the proposed method

2.1 數(shù)據(jù)預(yù)處理

醫(yī)學(xué)圖像數(shù)據(jù)集存在數(shù)量少、規(guī)模小的問題，使得網(wǎng)絡(luò)過擬合，不利于模型的泛化性和魯棒性。本文首先通過水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)和gamma 變換對數(shù)據(jù)集圖像進(jìn)行數(shù)據(jù)增廣，將圖片數(shù)量增至原來的4 倍；然后對數(shù)據(jù)集進(jìn)行灰度變換以CLAHE 來增加圖像中血管與背景的對比度，其效果如圖3所示。

圖3 對比度受限的直方圖均衡化結(jié)果對比Fig.3 Contrast limited histogram equalization results comparison

為進(jìn)一步增加數(shù)據(jù)量，本文將增強(qiáng)后的圖像進(jìn)行分塊處理。隨機(jī)從均衡化后的灰度圖像中取出若干48×48 的圖像塊，如圖4 所示。圖像塊的局部血管結(jié)構(gòu)類似、亮度均勻，更便于提取圖像特征。

圖4 圖像分塊處理Fig.4 Image block processing

2.2 用于血管區(qū)域增強(qiáng)的U-Net改進(jìn)模型

為使得提取的特征既能包含血管的整體結(jié)構(gòu)，又具有微小血管的細(xì)節(jié)信息，在構(gòu)建U-Net 時，本文使用了具有3 次卷積操作的下采樣或者上采樣循環(huán)單元。本文在每個卷積層后加入了批標(biāo)準(zhǔn)化（Batch Normalization，BN）層［18］和Dropout正則化層［19］。這樣做的優(yōu)勢在于：

1）引入BN 層，使得激活函數(shù)的輸入集中在均值為0、方差為1 的正態(tài)分布上，使得網(wǎng)絡(luò)能更快完成訓(xùn)練任務(wù)，提高收斂速度。

2）Dropout 層讓神經(jīng)元按照一定的概率丟棄激活值，減少各層神經(jīng)元之間的相互作用，緩解由于引入BN 層而愈加嚴(yán)重的過擬合問題，使得網(wǎng)絡(luò)不會太依賴于局部特征，增強(qiáng)網(wǎng)絡(luò)模型的泛化能力。

U-Net 上改進(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)如圖5 所示，其中，下采樣循環(huán)單元由卷積層、批標(biāo)準(zhǔn)化層、激活層、正則化層、最大池化層組成，如圖6（a）所示；上采樣循環(huán)單元由上采樣層、卷積層、批標(biāo)準(zhǔn)化層、激活層、正則化層組成，如圖6（b）所示。卷積計算時使用的卷積核大小為3×3。

圖5 本文U-Net結(jié)構(gòu)Fig.5 Structure of U-Net in this paper

圖6 下采樣和上采樣分解圖Fig.6 Decomposition diagrams of subsample and upsampling

U-Net 網(wǎng)絡(luò)層參數(shù)如表1 所示。

表1 U-Net網(wǎng)絡(luò)層參數(shù)Tab.1 Network layer parameters of U-Net

模型的損失函數(shù)是二元交叉熵函數(shù)，如式（1）所示：

其中：y代表標(biāo)簽，p代表U-Net 輸出結(jié)果。

2.3 基于改進(jìn)的U-Net模型的血管區(qū)域二次增強(qiáng)

為了進(jìn)一步凸顯血管區(qū)域以便于后續(xù)自適應(yīng)閾值PCNN精準(zhǔn)分割血管，本文基于改進(jìn)的U-Net 模型進(jìn)行迭代式血管增強(qiáng)，增加血管與背景的對比度。

首先，U-Net 網(wǎng)絡(luò)訓(xùn)練時，每一輪訓(xùn)練中選取其中90%的數(shù)據(jù)用于訓(xùn)練，將剩余10%的數(shù)據(jù)用作驗證，分批次地將數(shù)據(jù)輸入到模型當(dāng)中以減少訓(xùn)練時長。測試過程中，先在血管圖像上隔5 個像素取一個48×48 圖像塊，圖像存在重疊部分，不夠的長或者寬對圖像作補(bǔ)0 處理。將圖像塊輸入訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行初次增強(qiáng)血管，得到特征灰度圖像，然后將其恢復(fù)原圖大小并除去補(bǔ)0 部分，得到U-Net 初次增強(qiáng)結(jié)果，如圖7（a）所示。

將U-Net 初次增強(qiáng)的血管特征圖與原圖進(jìn)行融合，融合公式為：

其中：G1 為綠色通道G和提取的特征灰度圖Gray融合結(jié)果，G2 為融合結(jié)果。綠色通道G和提取的特征灰度圖Gray所占的比率也是通過反復(fù)實(shí)驗得來的。將融合圖像G2 再進(jìn)行CLAHE 處理。

最后，直接將融合圖像輸入訓(xùn)練完成的改進(jìn)的U-Net 進(jìn)行血管的二次增強(qiáng)。實(shí)驗結(jié)果發(fā)現(xiàn)這種方式能有效增強(qiáng)上一階段的特征灰度圖像、凸顯更多微小型血管信息，實(shí)驗結(jié)果如圖7（b）所示。

圖7 U-Net兩次增強(qiáng)結(jié)果對比Fig.7 Comparison of two enhancement results of U-Net

2.4 基于自適應(yīng)閾值PCNN模型的血管分割

改進(jìn)的U-Net 模型輸出的是灰度圖像，若直接使用硬閾值進(jìn)行二值化會丟失部分微小血管信息。針對這一問題，本文充分利用自適應(yīng)閾值PCNN 動態(tài)閾值的特性分割血管圖像，其計算公式如下：

其中：W為3×3 大小的連接權(quán)重矩陣，k、l為矩陣內(nèi)的坐標(biāo)，αT為閾值衰減系數(shù)，VT為脈沖調(diào)制系數(shù)，n為迭代次數(shù)。

由于血管背景強(qiáng)度對比度不同或噪聲水平不同，使用全局的值初始點(diǎn)火閾值T0和連接系數(shù)β使得圖像分割效果較差。因此，本文使用了一種參數(shù)局部化方法，即首先根據(jù)特征灰度圖像的血管分布將圖像分為4 個相等大小的塊；然后對每個圖像塊使用OSTU 方法初步計算各圖塊目標(biāo)背景分割閾值θ；最后根據(jù)Raya 等［20］提出的方法計算初始點(diǎn)火閾值和連接系數(shù)。初始點(diǎn)火閾值T0和連接系數(shù)β如下得到：

其中：mo、σo分別為圖像中目標(biāo)像素點(diǎn)平均灰度值和平均方差，k1、k2分別為常數(shù)系數(shù)。通常k1∈[1，2]，k2∈[0，1]。

3 實(shí)驗結(jié)果與分析

3.1 數(shù)據(jù)集

為了驗證本文方法的性能，選擇在DRIVE、STARE、CHASE_DB1 公開數(shù)據(jù)集進(jìn)行實(shí)驗。DRIVE［21］包含40 幅圖片，圖像分辨率為565×584；STARE［22］有20 幅眼底圖像，圖像分辨率為605×700；CHASE_DB1 圖像庫［23］是從兒童心臟與健康研究中心（CHASE）提取的視網(wǎng)膜圖像的子集，圖像分辨率為999×960，共28 幅圖像，3 個數(shù)據(jù)集總共有88 張原始眼底圖像，每幅圖像都有2 個專家手動標(biāo)簽。本實(shí)驗在配置為Intel Core i7-7700K CPU @ 4.20 GHz，4200 MHz 的Windows 10 平臺下進(jìn)行。

預(yù)處理階段已將DRIVE、STARE、CHASE_DB1 數(shù)據(jù)集中原有圖像增廣到了原來的4 倍，且進(jìn)行了分塊處理。DRIVE、STARE、CHASE_DB1 數(shù)據(jù)集所用的訓(xùn)練、測試圖像塊數(shù)量如表2 所示。

表2 各階段所用圖像塊數(shù)量Tab.2 Number of image blocks used in each stage

3.2 性能評價指標(biāo)

為了判斷血管分割性能的好壞與否，需要有效的性能評價指標(biāo)。將圖像分割結(jié)果與標(biāo)簽進(jìn)行比較，圖像中每個像素點(diǎn)的分類情況有以下四種：真陽性（True Positive，TP）、假陽性（False Positive，F(xiàn)P）、真陰性（True Negative，TN）以及假陰性（False Negative，F(xiàn)N）。

通過像素點(diǎn)分類情況可以計算出準(zhǔn)確度（Accuracy，Acc）、靈敏度（Sensitivity，Se）和特異性（Specificity，Sp），這3個常用性能指標(biāo)計算方法如下所示：

ROC 曲線常用于衡量二分類問題準(zhǔn)確率，其是以特異性為橫坐標(biāo)、靈敏度為縱坐標(biāo)的曲線。AUC（Area Under the Curve）是ROC 曲線下面積大小，也是判斷血管分割方法性能的重要指標(biāo)。

3.3 BN和Dropout有效性分析

相較于原始的U-Net 模型，本文為了削弱過擬合、提高訓(xùn)練速度，在U-Net 模型中引入了BN 與Dropout。BN 把每層神經(jīng)元輸入值的分布強(qiáng)行拉到標(biāo)準(zhǔn)正態(tài)分布，使得神經(jīng)元輸入值落在激活函數(shù)對輸入較敏感的范圍，減少訓(xùn)練時間；Dropout 不僅可以使網(wǎng)絡(luò)具有較好表達(dá)能力，更重要的是能緩解網(wǎng)絡(luò)過擬合的問題。如圖8 所示，加入Dropout 之前，驗證集的loss、準(zhǔn)確率與訓(xùn)練集的loss、準(zhǔn)確率有明顯差異，說明存在過擬合問題；加入Dropout之后，這種情況得到極大緩解。

圖8 BN與Dropout結(jié)合訓(xùn)練對比Fig.8 Training contrast between BN and Dropout layers

以DRIVE 數(shù)據(jù)集為例，訓(xùn)練輪次為25，如圖9 所示，在訓(xùn)練的初始階段，網(wǎng)絡(luò)的訓(xùn)練曲線收斂速度較快，說明模型的學(xué)習(xí)效率較高。本文方法在15 個訓(xùn)練周期之后分割準(zhǔn)確率趨于穩(wěn)定，而原始U-Net 訓(xùn)練120 個訓(xùn)練周期之后分割準(zhǔn)確率趨于穩(wěn)定。如表3 所示，本文方法實(shí)際訓(xùn)練時間大約是原始U-Net 的1/10?？梢姳疚姆椒ù蠓鶞p少了訓(xùn)練時長，說明引入BN 與Dropout 后效果明顯。

圖9 訓(xùn)練周期-準(zhǔn)確率曲線Fig.9 Training cycle-accuracy curve

表3 訓(xùn)練周期時間對比Tab.3 Training cycle time comparison

3.4 自適應(yīng)閾值PCNN分塊區(qū)域?qū)Ρ?/h3>

為了更完整地提取血管特征、保留微小血管信息，實(shí)驗在DRIVE 數(shù)據(jù)集對比了將圖片分為4 個區(qū)域和9 個區(qū)域的結(jié)果。由圖10 可以看出，將圖像分成的區(qū)域太多會使得圖像更注重于局部特征，分割結(jié)果中出現(xiàn)較多的錯誤血管點(diǎn)。

圖10 標(biāo)簽與4區(qū)域、9區(qū)域分割結(jié)果對比Fig.10 Comparison of label and segmentation results with 4 regions and 9 regions

本文通過計算靈敏度、特異性和準(zhǔn)確率等參數(shù)進(jìn)行比較，如表4 所示，4 區(qū)域的分割結(jié)果的準(zhǔn)確率與特異性高于9區(qū)域的指標(biāo)，這也證明分成的區(qū)域太多會導(dǎo)致誤判，降低準(zhǔn)確率。綜合考慮，選擇將圖像分成4 個區(qū)域。

表4 4區(qū)域、9區(qū)域分割結(jié)果對比Tab.4 Segmentation results of 4 regions and 9 regions

3.5 改進(jìn)的U-Net迭代血管增強(qiáng)結(jié)果

由于預(yù)處理過程中的初級血管增強(qiáng)達(dá)不到理想效果，微小血管與背景對比度低，本文為了利于后續(xù)自適應(yīng)閾值PCNN 精準(zhǔn)分割血管，使用改進(jìn)的U-Net 進(jìn)行迭代式血管增強(qiáng)。將U-Net 初次血管增強(qiáng)的特征灰度圖與原圖進(jìn)行融合，再經(jīng)過CLAHE 處理，輸入到U-Net 進(jìn)行二次血管增強(qiáng)。CLAHE 操作通過改變灰度圖像的直方圖分布凸顯血管，有利于U-Net 網(wǎng)絡(luò)提取血管特征，得到較好的預(yù)測結(jié)果。實(shí)驗結(jié)果證明，在3 個數(shù)據(jù)集上準(zhǔn)確率、靈敏度和特異性都有提升，U-Net 迭代式增強(qiáng)方法能有效增強(qiáng)上一階段得到的特征灰度圖像，如表5 所示。

表5 U-Net迭代增強(qiáng)結(jié)果對比Tab.5 Comparison of U-Net iterative enhancement results

3.6 自適應(yīng)閾值PCNN與硬閾值

原始U-Net 在進(jìn)行分割任務(wù)時，通常將得到的特征灰度圖像利用硬閾值進(jìn)行分割，這會導(dǎo)致微小血管信息的丟失，從而降低了血管分割的準(zhǔn)確率。針對這一問題，本文充分利用PCNN 軟閾值自動捕捉的優(yōu)勢，結(jié)合自適應(yīng)閾值方法，對改進(jìn)的U-Net 得到的灰度特征圖像進(jìn)行精細(xì)分割，在一定程度上提高了眼底血管分割的準(zhǔn)確率。自適應(yīng)閾值PCNN 與硬閾值方法在DRIVE 數(shù)據(jù)集上的分割結(jié)果對比如表6 所示，靈敏度有明顯提升。

表6 自適應(yīng)閾值PCNN與硬閾值分割結(jié)果對比Tab.6 Comparison of adaptive threshold PCNN and hard threshold segmentation results

3.7 分割結(jié)果及對比分析

為了驗證本文方法的性能，在DRIVE、STARE、CHASE_DB1 這3 個數(shù)據(jù)集上使用靈敏度、特異性、準(zhǔn)確率、AUC 作為評價指標(biāo)。本文方法與目前主流方法相比，雖然在部分指標(biāo)上不是最佳結(jié)果，但在整體性能方面占有極大優(yōu)勢，如表7～9 所示（黑色加粗?jǐn)?shù)據(jù)代表最好結(jié)果）。本文方法在數(shù)據(jù)集DRIVE 和STARE 整體評價指標(biāo)具有較大優(yōu)勢：在DRIVE 數(shù)據(jù)集上，雖然只有AUC 不是最優(yōu)的，但與基準(zhǔn)方法相比，各指標(biāo)都有提升，尤其是靈敏度提升了3.75%，說明本文方法能將大部分背景與血管像素正確分類；在STARE 數(shù)據(jù)集上，雖然靈敏度表現(xiàn)不佳，但是特異性、準(zhǔn)確度及AUC 均為最優(yōu)結(jié)果，與基準(zhǔn)方法（表中base 所示）相比，AUC 的提升達(dá)到了3.59%。在CHASE_DB1 數(shù)據(jù)集上，本方法表現(xiàn)一般，說明CHASE_DB1 數(shù)據(jù)集血管分割難度是三者中最大的，但特異性與AUC 仍為最優(yōu)結(jié)果，都在98%以上，與基準(zhǔn)方法相比，分別提升2.32%、0.64%。AUC值越高，說明算法分類效果越好，數(shù)值在0.85～0.95 代表分類效果很好，從數(shù)據(jù)結(jié)果看算法對于3 個數(shù)據(jù)集都是效果較好的分類器，在CHASE_DB1 數(shù)據(jù)集上表現(xiàn)最佳。由以上結(jié)果可知本方法的有效性。另外，本文方法在STARE 數(shù)據(jù)集上整體分割結(jié)果要比DRIVE 和CHASE_DB1 好，主要是因為STARE 圖像中目標(biāo)與背景像素點(diǎn)對比度較高，亮度較均勻。

表7 在DRIVE數(shù)據(jù)集上的性能表現(xiàn)對比Tab.7 Performance comparison of different methods on DRIVE dataset

表8 在STARE數(shù)據(jù)集上的性能表現(xiàn)對比Tab.8 Performance comparison of different methods on STARE dataset

對從圖11～13 分割結(jié)果可以看出，健康圖像分割準(zhǔn)確率較高，病灶圖像和對比度不均勻的圖片分割結(jié)果稍差，出現(xiàn)大量誤判。從血管粗細(xì)來說，對于較粗血管，本文分割結(jié)果與專家手動標(biāo)簽基本一致；對于微小血管，本文方法利用改進(jìn)的U-Net 二次迭代提取圖像灰度特征圖像，再結(jié)合自適應(yīng)閾值PCNN 對圖像中眼底血管進(jìn)行分割，得到了較多的微小血管信息。這說明改進(jìn)U-Net 模型對于微小血管特征的提取能力較強(qiáng)，且自適應(yīng)閾值PCNN 模型對于微小血管分割表現(xiàn)力較好；但同時也帶來了部分微小血管噪聲，將非血管的背景像素誤分類為微小血管。與DRIVE 和CHASE_DB1 數(shù)據(jù)集相比，STARE 數(shù)據(jù)集中粗血管較多，微小血管分支較少，這也是STARE 數(shù)據(jù)集分割準(zhǔn)確率較高的原因。

表9 在CHASE_DB1數(shù)據(jù)集上的性能表現(xiàn)對比Tab.9 Performance comparison of different methods on CHASE_DB1 dataset

圖11 DRIVE數(shù)據(jù)庫分割結(jié)果Fig.11 Segmentation results on DRIVE dataset

圖12 STARE數(shù)據(jù)集眼底血管分割結(jié)果Fig.12 Segmentation results on STARE dataset

3.8 數(shù)據(jù)集交叉驗證

本文方法繼承了U-Net 適用于小樣本數(shù)據(jù)的優(yōu)點(diǎn)，并結(jié)合Dropout 操作，在很大程度上削弱過擬合問題的影響。為了進(jìn)一步驗證本文方法的泛化性能，在DRIVE、STARE 和CHASE_DB1 數(shù)據(jù)集進(jìn)行了交叉驗證，如表10 所示。結(jié)果表明，交叉驗證時準(zhǔn)確率都有不同程度的下降，在其他數(shù)據(jù)集與CHASE_DB1 數(shù)據(jù)集進(jìn)行交叉驗證時，靈敏度指標(biāo)下降尤其明顯，但特異性變化不大，這變化的原因是CHASE_DB1 數(shù)據(jù)集圖片是以視盤為中心選取的眼底圖片，與其他兩個數(shù)據(jù)集特征相差較大，而且其質(zhì)量相對其他兩個數(shù)據(jù)集較差，普遍偏暗；但整體下降幅度在正常變化范圍之內(nèi)，證明本文算法泛化性能較強(qiáng)。

圖13 CHASE_DB1數(shù)據(jù)集眼底血管分割結(jié)果Fig.13 Segmentation results on CHASE_DB1 dataset

表10 數(shù)據(jù)集交叉驗證性能Tab.10 Dataset cross validation

4 結(jié)語

臨床上，眼底血管的準(zhǔn)確分割對于計算機(jī)輔助診斷眼科疾病有著至關(guān)重要的作用，但由于眼底圖像亮度不均、病灶、微小血管對比度低等因素的影響，眼底血管分割方法普遍準(zhǔn)確率不高。因此，結(jié)合改進(jìn)的U-Net 模型與自適應(yīng)閾值PCNN，提出一種眼底血管分割方法。該方法先將預(yù)處理過的圖片輸入到改進(jìn)的U-Net 中進(jìn)行迭代式血管增強(qiáng)：將UNet 初次血管增強(qiáng)特征圖像與原始圖像融合，再次輸入到改進(jìn)的U-Net 中得到經(jīng)過二次增強(qiáng)的特征灰度圖像。最后將二次增強(qiáng)的特征灰度圖像分為4 個不同的區(qū)域，每個區(qū)域根據(jù)不同的閾值和衰減系數(shù)使用自適應(yīng)閾值PCNN 分割血管，得到視網(wǎng)膜血管二值圖像。另外，本文把BN 與Dropout 引入U-Net 模型來提高訓(xùn)練速度、削弱過擬合的影響。實(shí)驗結(jié)果表明，該方法可以分割出更多的微小血管，在一定程度上提高了眼底血管分割的準(zhǔn)確率，具有良好的應(yīng)用前景。該方法將所有血管分塊都無差別地輸入到U-Net 中進(jìn)行訓(xùn)練，但這些分塊都是原始圖像中很小的局部特征，不同的分塊之間特征差異較大。后續(xù)可將圖像塊根據(jù)標(biāo)簽中血管所占比率進(jìn)行分類之后再輸入到U-Net 中進(jìn)行訓(xùn)練，以此提高小血管準(zhǔn)確率。