基于邊緣增強(qiáng)和特征金字塔的視網(wǎng)膜血管分割網(wǎng)絡(luò)

夏嘉勒, 孔凡輝, 馬吉權(quán)

(1.黑龍江大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院, 哈爾濱 150080; 2.黑龍江大學(xué) 數(shù)據(jù)科學(xué)與技術(shù)學(xué)院, 哈爾濱 150080)

0 引 言

視網(wǎng)膜血管圖像分割是醫(yī)學(xué)圖像處理和分析領(lǐng)域的重要研究內(nèi)容，分割結(jié)果(視網(wǎng)膜血管和視盤等)的形狀、大小測量和總面積可以為疾病的早期表現(xiàn)提供重要依據(jù)[1]。由于視網(wǎng)膜血管圖像擁有復(fù)雜的紋理和結(jié)構(gòu)信息，分割難度較大，因此，對于視網(wǎng)膜血管圖像的分割目前主要依賴于手工標(biāo)注。視網(wǎng)膜血管分割算法可以分為無監(jiān)督模型和有監(jiān)督模型兩類。無監(jiān)督模型是自動分割視網(wǎng)膜血管的最常用方法，具有代表性的有匹配濾波[2]、基于血管追蹤的分割[3]和基于模型的分割[4]三類方法。無監(jiān)督模型不需要依賴標(biāo)注好的標(biāo)簽數(shù)據(jù)訓(xùn)練，因此，無監(jiān)督模型無法對真實(shí)結(jié)果進(jìn)行學(xué)習(xí)，準(zhǔn)確性較低。不同于無監(jiān)督模型，有監(jiān)督模型通過利用手工標(biāo)注的數(shù)據(jù)進(jìn)行訓(xùn)練，一般分為兩個(gè)階段進(jìn)行視網(wǎng)膜血管分割：特征提取和像素點(diǎn)分類。在基于機(jī)器學(xué)習(xí)算法的有監(jiān)督模型中，有利用K-近鄰分類器(K-neares neighbor, KNN)[5]和支持向量機(jī)(Support vector machine, SVM)[6]對手工標(biāo)注標(biāo)簽數(shù)據(jù)集進(jìn)行學(xué)習(xí)的視網(wǎng)膜血管分割方法，這些方法在當(dāng)時(shí)取得了優(yōu)于無監(jiān)督模型的分割表現(xiàn)，但這些模型僅在特定數(shù)據(jù)集上進(jìn)行了學(xué)習(xí)，缺乏泛化能力，且需要手工提取特征，分類器不能自動學(xué)習(xí)新的特征，只能應(yīng)用于特定任務(wù)上。同為有監(jiān)督模型，基于深度學(xué)習(xí)的方法通過使用大量數(shù)據(jù)來自動學(xué)習(xí)特征，具有更好的泛化和識別能力。在圖像分割領(lǐng)域，最具有代表性的深度學(xué)習(xí)方法就是卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network, CNN)[7]。在醫(yī)學(xué)領(lǐng)域中，U-Net是最為廣泛使用的圖像分割網(wǎng)絡(luò)，U-Net通過跳躍連接和添加額外的擴(kuò)展路徑來融合不同尺度的特征表述，成功地利用了包含豐富信息的低級特征，在小型數(shù)據(jù)集上有著出色的性能[8]。受U-Net的啟發(fā)，提出了許多基于U-Net的改進(jìn)網(wǎng)絡(luò)，從網(wǎng)絡(luò)結(jié)構(gòu)的角度出發(fā)對U-Net進(jìn)行了改進(jìn)，可以減少由連續(xù)下采樣層造成的信息丟失。Wang等引入了特征細(xì)化路徑到U-Net中，該方法分別將低級特征圖發(fā)送到編碼器和解碼器中的高級層，從而提高了編碼器的詳細(xì)表示能力和解碼器的判別能力[9]。Xu等將網(wǎng)絡(luò)設(shè)計(jì)成了可遞歸結(jié)構(gòu)，通過語義引導(dǎo)模塊來獲取來自更廣泛區(qū)域的語義信息，并通過遞歸迭代的方式來逐步提高性能[10]。一些研究從先驗(yàn)知識的角度出發(fā)，在網(wǎng)絡(luò)中加入了更多先驗(yàn)知識。Zhang等提出了網(wǎng)絡(luò)將視網(wǎng)膜血管按厚度分為了兩類，并將其作為附加標(biāo)簽應(yīng)用到U-Net中，這一方法引用了無監(jiān)督方法中常用的邊緣檢測算子，獲得了更好的效果[11]。從原圖中得到的先驗(yàn)知識可能有助于網(wǎng)絡(luò)更好地學(xué)習(xí)，一些研究嘗試將更多的先驗(yàn)知識加入到神經(jīng)網(wǎng)絡(luò)中，Moccia等將圖像梯度信息與特征層進(jìn)行融合，這一方法簡單有效地保護(hù)了血管邊緣信息，但梯度算子也將部分圖像中的噪聲放大，對網(wǎng)絡(luò)造成了干擾[12]。卷積是CNN模型中最基本的組成部分，一些研究從引入更好的卷積模塊方向出發(fā)。Alom等將U-Net中的傳統(tǒng)卷積更換為了重復(fù)殘差卷積塊，這使得網(wǎng)絡(luò)性能有所提升[13]。Laibacher等則將U-Net中的傳統(tǒng)卷積更換為MobileNetV2 中的深度可分離卷積(Depthwise separable convolution, DSC)，并在解碼部分使用雙線性插值上采樣代替了傳統(tǒng)的反卷積以減少參數(shù)[14-15]。可變形卷積塊(Deformable convolution)能夠通過學(xué)習(xí)偏移自適應(yīng)地調(diào)整感受野，從而捕獲各種形狀和尺度的視網(wǎng)膜血管。Jin等成功將可變形卷積引入視網(wǎng)膜血管分割并提升了網(wǎng)絡(luò)性能[16]。特征金字塔是數(shù)字圖像處理中的一種常用方法，它能夠更好地提煉出特征的重要部分。Wang等成功將特征金字塔引入視網(wǎng)膜血管分割，在下采樣層底端對特征進(jìn)行了進(jìn)一步提煉，從而提升了模型的分割性能[17]。

上述方法從各個(gè)角度對U-Net進(jìn)行了有效的改進(jìn)，證明了對于模型中卷積方法或網(wǎng)絡(luò)結(jié)構(gòu)的改良能夠提高模型的性能，同時(shí)，加入特征金字塔和引入無監(jiān)督算法在一定程度上也能夠提高網(wǎng)絡(luò)性能。這些方法也為我們的研究提供了寶貴經(jīng)驗(yàn)和重要依據(jù)。為了有效地改進(jìn)U-Net，本文引入多頻卷積(Octave convolution)[18]到U-Net中，同時(shí)，將無監(jiān)督邊緣檢測方法和特征金字塔方法嵌入到了網(wǎng)絡(luò)層，具體而言，使用基于梯度算子的邊緣增強(qiáng)模塊引導(dǎo)網(wǎng)絡(luò)更好地分割血管結(jié)界，同時(shí)使用特征金字塔模塊幫助網(wǎng)絡(luò)提取到更豐富的語義信息，并將傳統(tǒng)卷積部分替換為Octave卷積來減少特征冗余問題，幫助網(wǎng)絡(luò)更好地提取特征。實(shí)驗(yàn)結(jié)果證明，本文提出的融合改進(jìn)方法取得了更好的性能。

1 融合邊緣增強(qiáng)和特征金字塔的視網(wǎng)膜血管分割網(wǎng)絡(luò)

1.1 網(wǎng)絡(luò)結(jié)構(gòu)

本文提出了一種基于U-Net的改進(jìn)網(wǎng)絡(luò)，為融合邊緣增強(qiáng)與特征金字塔的分割網(wǎng)絡(luò)。首先利用Sobel算子獲取圖像邊緣并作為先驗(yàn)信息加入到網(wǎng)絡(luò)中，以無監(jiān)督的方式提高了血管邊界與背景的對比度，增強(qiáng)了邊界特征，提高了網(wǎng)絡(luò)對不明顯的細(xì)小血管的分割能力；然后，因Octave卷積具有壓縮特征中冗余信息和提取更多語義特征的作用，以O(shè)ctave卷積替換U-Net中的卷積層來減少采樣過程中的特征損失，并消除強(qiáng)化邊緣帶來的噪聲和其他冗余，最后通過多尺度特征金字塔結(jié)構(gòu)提取更多的語義特征，提高分割結(jié)果中血管的連續(xù)性。BEMF-Net的結(jié)構(gòu)如圖1所示，該網(wǎng)絡(luò)由下采樣部分、上采樣部分組成，呈U型結(jié)構(gòu)。在輸入層，將預(yù)處理過的192×192的灰度圖像輸入網(wǎng)絡(luò)。使用Octave卷積替代了原始U-Net中的卷積，因此本網(wǎng)絡(luò)中每層的特征都由主特征和冗余特征構(gòu)成，且冗余特征的通道數(shù)和尺寸均小于主體特征。將邊緣強(qiáng)化模塊部署在下采樣階段，首先通過邊緣強(qiáng)化模塊對原圖進(jìn)行處理，得到灰度權(quán)重圖，并重新調(diào)整權(quán)重圖的尺寸，與每層特征進(jìn)行融合(本文采用矩陣元素相乘的方式)。在下采樣階段結(jié)束后，重新整合特征中的主體部分與冗余部分，并輸入到特征增強(qiáng)模塊中進(jìn)一步提煉特征。其中特征增強(qiáng)模塊由若干池化層和空洞卷積塊組成，能夠從多個(gè)尺度對原特征進(jìn)行提取。得到提煉過的特征后，將特征再一次分解為主體特征和冗余特征兩部分，并送入上采樣部分。該模型保留了U-Net中的通道拼接方法，將下采樣部分的特征與上采樣特征進(jìn)行了通道拼接以提高性能。最后，在輸出層重新整合特征中的主體部分與冗余部分，并通過1×1卷積得到192×192×1的單通道預(yù)測圖并輸出。

圖1 融合邊緣增強(qiáng)和特征金字塔的視網(wǎng)膜分割網(wǎng)絡(luò)(BEMF-Net)

1.2 邊緣增強(qiáng)模塊

在數(shù)字圖像處理中，一般使用一階或二階導(dǎo)梯度算子提取圖像中的高頻邊緣信息。利用梯度算子獲取邊緣并將其作為先驗(yàn)知識加入到網(wǎng)絡(luò)能夠提高網(wǎng)絡(luò)的性能。邊緣增強(qiáng)模塊的概念最早由Zhang等提出，能夠強(qiáng)化圖像弱邊緣信息[19]，本文對其進(jìn)行了改進(jìn)。本文的邊緣增強(qiáng)模塊基于Sobel算子實(shí)現(xiàn)，其結(jié)構(gòu)如圖2所示。

圖2 Sobel算子模板

Sobel算子由一個(gè)3×3的橫軸算子和1個(gè)3×3的縱軸算子兩部分組成，圖2(a)部分為Sobel的縱軸算子，該算子沿著圖像的y軸移動，能夠提取圖像y軸方向上的梯度信息，圖2(b)部分為Sobel的橫軸算子，該算子沿著圖像的x軸移動，能夠提取圖像x軸上的梯度信息，使用Sobel算子對圖像進(jìn)行邊緣提取，得到兩個(gè)方向上的幅度圖，并對兩部分算子計(jì)算出的梯度信息進(jìn)行融合處理，梯度計(jì)算公式為：

(1)

式中：I為輸入的灰度圖；Gx和Gy依次為橫軸和縱軸方向上的幅度圖；G為綜合兩個(gè)方向幅度的最終幅度圖。

接著抽離彩色眼底血管圖像中的Green通道圖作為待檢圖樣，對圖樣進(jìn)行歸一化處理后，應(yīng)用Sobel算子檢測獲取梯度圖，圖3(a)為眼底血管的原圖，圖3(b)為Sobel算子處理得到的梯度圖，此時(shí)已經(jīng)可以辨識出清晰的血管輪廓。得到幅度圖后，以式(2)對幅度圖進(jìn)行轉(zhuǎn)化，得到權(quán)重圖如圖3(c)所示。

(2)

式中：(xloc,yloc)為像素點(diǎn)的橫、縱坐標(biāo)；t為坐標(biāo)對應(yīng)梯度值；λmax為設(shè)置的最大幅度閾值；λmin為設(shè)置的最小幅度閾值；k為放大倍率；β為自定義偏移值。

Zhang等提出的邊緣增強(qiáng)模塊在轉(zhuǎn)換權(quán)重圖時(shí)著重于提高弱血管部分的權(quán)重。本文著重于提高噪聲和背景部分的權(quán)重來提高血管和背景的對比度。首先通過恰當(dāng)?shù)拈撝翟O(shè)置使區(qū)間[λmin,λmax]恰好包含除血管外的部分，對圖像中占比更大的背景部分進(jìn)行處理，并賦予更高的權(quán)值。最后將權(quán)重圖與原圖特征作元素相乘，這樣就得到了在不影響血管部分灰度的前提下，突出背景及圖像噪聲(同時(shí)拉近了兩者之間的灰度差)，并提高了血管與背景之間對比度的圖像。圖3(d)為權(quán)重圖與原圖元素相乘的結(jié)果，血管部分呈暗色，背景部分呈白色。相比于原圖3(a)，血管與背景的對比度得到了顯著提高，細(xì)小的、不明顯邊緣經(jīng)過增強(qiáng)處理后也能變得清晰可見。

圖3 邊緣增強(qiáng)的各個(gè)階段

梯度閾值的合理與否會直接影響到邊緣增強(qiáng)模塊的效果，CHASE_DB1數(shù)據(jù)集中的圖像存在光照不均衡的問題，對合理閾值的選取造成了困擾。因此，在圖像送入邊緣增強(qiáng)模塊之前，本文嘗試通過對輸入圖像進(jìn)行批標(biāo)準(zhǔn)化處理(Batch normalization，BN)以提高背景與前景之間的對比度，在實(shí)際調(diào)試中發(fā)現(xiàn)，灰度圖像經(jīng)過BN處理之后會更容易從中找到合適的閾值區(qū)間[λmin,λmax]以分離血管和背景，該方法對于光照不均勻的CHASE_DB1數(shù)據(jù)集有著較好的改良效果。

1.3 Octave卷積

為了減少特征中的冗余信息，提高運(yùn)算效率和網(wǎng)絡(luò)性能，本文引入了Octave多頻卷積塊。Octave卷積實(shí)際上是多層卷積的復(fù)合使用，由特征拆分、多頻卷積和特征融合三部分組成。特征拆分部分如圖4所示。其中，褐色方塊代表特征主體部分，藍(lán)色方塊代表特征冗余部分。N、W、H和C依次分別表示特征的數(shù)量、寬度、高度和通道總數(shù)，拆分出的特征通道C以比率Rin乘以原特征通道數(shù)，特征拆分層將單一特征分別通過卷積和池化卷積拆分出主體和冗余兩部分，冗余部分的寬和高是主體部分的一半，兩部分的通道總數(shù)之和與輸入特征一致。特征拆分卷積被布置在輸入層之后及下采樣底層，后續(xù)銜接多頻卷積。

圖4 特征拆分，Rin為輸出時(shí)通道比率，Rin∈[0, 1]

多頻卷積部分是Octave卷積最重要的部分，主要組成如圖5所示。其中，主體部分與上采樣卷積后的冗余部分進(jìn)行特征融合; 冗余部分與池化卷積后的主體部分進(jìn)行特征融合，實(shí)現(xiàn)兩個(gè)部分信息的有效交換融合。

圖5 多頻卷積，Rout為輸出時(shí)通道比率，Rout∈[0, 1]

兩部分特征融合的過程如圖6所示，其中，冗余部分通過上采樣卷積與卷積后的主體特征進(jìn)行特征相加融合，融合后的通道數(shù)為主頻通道數(shù)。Octave卷積在理論上能夠減少冗余信息的計(jì)算，提高訓(xùn)練速度，減少內(nèi)存占用，該多頻交互融合的方式能夠提高特征的利用率。

圖6 特征融合，Rin為輸出時(shí)通道比率，Rin∈[0，1]

1.4 特征金字塔模塊

池化層能夠提煉特征，減小特征圖的尺寸從而降低整體計(jì)算量，并擴(kuò)張感受野，提高模型的非線性表達(dá)能力。若對同一特征進(jìn)行不同尺度的池化操作，就能獲取到不同尺度的特征，如果能將這些不同尺度的特征通過通道拼接或元素相加等方式進(jìn)行融合，可能會得到更加豐富的特征。本文將Wang等提出的特征金字塔級聯(lián)塊(Feature pyramid cascade block，F(xiàn)PCB)[17]置入U(xiǎn)-Net底層以提取更多語義特征，結(jié)構(gòu)如圖7所示。輸入的特征分別通過大小為2、3和4的池化層得到3個(gè)不同尺寸的池化結(jié)果，并經(jīng)過連續(xù)3次擴(kuò)張率逐漸衰減的膨脹卷積/空洞卷積，其中，特征經(jīng)由2×2池化層后對應(yīng)的擴(kuò)張率依次為6、5和4；經(jīng)由3×3池化層對應(yīng)的擴(kuò)張率依次為5、4和3；經(jīng)由4×4池化層對應(yīng)的擴(kuò)張率依次為4、3和2。

圖7 特征金字塔級聯(lián)塊

膨脹卷積能夠有效地?cái)U(kuò)大感受野，但可能會破壞原有特征，為此通過矩陣元素相加的融合方式將原有特征融合到了卷積結(jié)果當(dāng)中以保持原有特征信息。隨后，將得到的三種不同尺度的特征進(jìn)行上采樣放大，通過特征通道拼接的融合方式將3種不同尺度特征與輸入特征進(jìn)行融合。最后通過卷積將通道數(shù)進(jìn)一步調(diào)整到原特征的通道數(shù)，進(jìn)一步提煉特征。

2 實(shí) 驗(yàn)

實(shí)驗(yàn)使用的深度學(xué)習(xí)框架為Tensor Flow1.14，實(shí)驗(yàn)GPU為8 GB內(nèi)存的RTX2070，數(shù)據(jù)集為DRIVE[20]和CHASE_DB1[21]。

2.1 實(shí)驗(yàn)數(shù)據(jù)集

DRIVE數(shù)據(jù)集包含40張分辨率為565×584的圖片，CHASE_DB1數(shù)據(jù)集包含28張分辨率為999×960的圖片，兩組數(shù)據(jù)集帶有手工繪制的血管分割圖。從DRIVE數(shù)據(jù)集分出20張圖像用于訓(xùn)練，20張圖像用于測試；從CHASE_DB1數(shù)據(jù)集分出20張圖像用于訓(xùn)練，8張圖像用于測試。本實(shí)驗(yàn)將所有圖像Resize為576×576分辨率的圖像，并取彩圖中的G通道作為灰度圖輸入。在預(yù)處理上，本文對數(shù)據(jù)集進(jìn)行了圖像增強(qiáng)和切片處理以擴(kuò)充數(shù)據(jù)，從每張圖片中裁剪出600張不完全重疊的192×192分辨率的切片，得到的總數(shù)為12 000張，將切片順序打亂，取9 600張切片用作訓(xùn)練集，2 400張切片用作驗(yàn)證集對照；對于DRIVE數(shù)據(jù)集中測試部分所用的20張圖樣，將每張圖片無任何重疊地切割為9張192×192分辨率的切片，總數(shù)為180張；對于CHASE_DB1數(shù)據(jù)集中測試部分所用的8張圖樣，同樣，將每張圖片切割為9張192×192尺寸大小的切片，總數(shù)為72張。

2.2 評估標(biāo)準(zhǔn)

本文將準(zhǔn)確度(Accuracy，ACC)、靈敏度(Sensitivity，SE)、特異性(Specificity，SP)、F1分?jǐn)?shù)模式(Fl-score，F(xiàn)l)和曲線下的面積(Area under ROC，AUC)作為評價(jià)網(wǎng)絡(luò)的分割性能的指標(biāo)。

ACC用于評價(jià)模型預(yù)測結(jié)果與正確答案之間的誤差，其計(jì)算公式為：

(3)

式中：TP(真陽性)代表標(biāo)準(zhǔn)答案中正類被預(yù)測出的數(shù)目；TN(真陰性)代表標(biāo)準(zhǔn)答案中負(fù)類被預(yù)測出的數(shù)目；FP(假陽性)代表標(biāo)準(zhǔn)答案中正類被預(yù)測錯(cuò)誤的數(shù)目；FN(假陰性)代表負(fù)類被預(yù)測錯(cuò)誤的數(shù)目。

靈敏度SE等同于召回率Recall，用于評價(jià)模型區(qū)分正類的能力，其計(jì)算公式為：

(4)

與靈敏度相反，特異性SP用于評價(jià)模型區(qū)分負(fù)類的能力，其計(jì)算公式為:

(5)

F1是綜合評價(jià)指標(biāo)，考慮了精確度和靈敏度/召回率的關(guān)系，其計(jì)算公式為:

(6)

AUC能夠合理評估一個(gè)分類器的分類能力，受樣本分布均衡度的影響小，分類的混淆矩陣如表1所示。

表1 混淆矩陣

2.3 實(shí)驗(yàn)配置

實(shí)驗(yàn)數(shù)據(jù)集為DRIVE(共40張圖像)和CHASE_DB1(共28張圖像)。實(shí)驗(yàn)訓(xùn)練的迭代次數(shù)為144 000，Batch-size設(shè)置為1E-4，每2 400次保存一次模型，共保存60次模型，在迭代96 000次后損失趨于收斂，將學(xué)習(xí)率降低至1E-5訓(xùn)練至144 000次。關(guān)于邊緣增強(qiáng)模塊的具體參數(shù)設(shè)置為λmin=30,λmax=100,k=2,β=1。

2.4 眼底血管分割檢測實(shí)驗(yàn)

所提出的網(wǎng)絡(luò)對于DRIVE數(shù)據(jù)集的分割結(jié)果如圖8所示，網(wǎng)絡(luò)對于DRIVE數(shù)據(jù)集的分割結(jié)果如圖9所示。由圖8和圖9可以看到，所提出的BEMF-Net的預(yù)測結(jié)果在總體上非常接近標(biāo)注結(jié)果。為了進(jìn)一步觀察分割效果，對圖像進(jìn)行放大，如圖10所示，與U-Net在細(xì)小血管上分割效果相對比，本文方法預(yù)測出的血管更加完整，但仍然存在血管不連續(xù)的問題，與手工標(biāo)注的結(jié)果還存在一定差距。

圖8 在DRIVE數(shù)據(jù)集上的分割結(jié)果

圖9 在CHASE_DB1數(shù)據(jù)集上的分割結(jié)果

圖10 模型對數(shù)據(jù)集上細(xì)小血管的預(yù)測結(jié)果

分割性能評估結(jié)果如表2(DRIVE數(shù)據(jù)集的分割性能評估)和表3(在CHASE_DB1數(shù)據(jù)集的分割性能評估)所示。

表2 模型對DRIVE數(shù)據(jù)集的檢測結(jié)果

表3 模型對CHASE_DB1數(shù)據(jù)集的檢測結(jié)果

由表3可得，本方法在兩個(gè)數(shù)據(jù)集上均取得了最高的ACC、AUC和F1-score。在實(shí)驗(yàn)的過程中注意到，提高SE和SP中的一類是容易的，但兩者存在此消彼長的關(guān)系，極端情況下可能會出現(xiàn)SE=1但SP=0的情況(即全部預(yù)測為正類)，這兩個(gè)指標(biāo)只能關(guān)注到兩類中的一類，而ACC、AUC和F1-score是基于血管和背景兩類來評估的。因此，更高的ACC、AUC和F1-score比起SE和SP更能證明一個(gè)模型的分割能力。本文提出的BEMF-Net在這兩項(xiàng)任務(wù)中獲得了最高的ACC、AUC和F1-score，并取得了優(yōu)于已有模型的性能表現(xiàn)。如圖10所示，BEMF-Net對于細(xì)小血管的預(yù)測結(jié)果優(yōu)于U-Net，提高了分割結(jié)果中血管的完整性和連續(xù)性。

3 結(jié) 論

視網(wǎng)膜血管圖像分割一直是醫(yī)學(xué)圖像處理和分析領(lǐng)域的重要研究內(nèi)容，分割結(jié)果的形狀、大小測量和總面積可以為危及生命疾病的早期表現(xiàn)提供重要依據(jù)。長期以來對視網(wǎng)膜血管的分割工作一直依靠醫(yī)生手工標(biāo)注完成，此方法既昂貴又耗時(shí)。過去，研究人員提出了不同的視網(wǎng)膜血管分割算法，無監(jiān)督模型的準(zhǔn)確性有限，而基于機(jī)器學(xué)習(xí)的有監(jiān)督模型需要手工制作特征來進(jìn)行訓(xùn)練，其泛化性有限。目前，基于深度學(xué)習(xí)的有監(jiān)督模型被廣泛用于包括視網(wǎng)膜圖像在內(nèi)的圖像分割，此方法具有更強(qiáng)的泛化性和準(zhǔn)確性，取得了優(yōu)于無監(jiān)督模型的性能。雖然使用卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行醫(yī)學(xué)圖像分割在各個(gè)方面取得了優(yōu)于傳統(tǒng)方法的結(jié)果，但現(xiàn)有的方法的精度和準(zhǔn)確率還不能達(dá)到要求，因此，有必要對現(xiàn)有的視網(wǎng)膜血管圖像分割方法進(jìn)行進(jìn)一步的研究與改進(jìn)。本文提出了一種基于邊緣增強(qiáng)和特征金字塔的視網(wǎng)膜血管分割網(wǎng)絡(luò)，該網(wǎng)絡(luò)成功地融合了兩種改進(jìn)方法的優(yōu)點(diǎn)，針對視網(wǎng)膜血管分割過程中出現(xiàn)的血管邊界丟失問題，使用基于一階導(dǎo)梯度算子的邊緣增強(qiáng)方法為網(wǎng)絡(luò)提供了無監(jiān)督的邊緣先驗(yàn)知識，提升了模型對于血管邊界的感知能力。此外，在邊緣增強(qiáng)的基礎(chǔ)上，使用特征金字塔級聯(lián)模塊增強(qiáng)網(wǎng)絡(luò)對于語義特征的提取能力，進(jìn)一步提升了預(yù)測結(jié)果中血管的完整性。實(shí)驗(yàn)結(jié)果證明，相比于U-Net等模型，BEMF-Net取得了更好的分割性能，能夠更好地分割出細(xì)小血管，提高了血管的完整性和連續(xù)性。本文提出的改進(jìn)模型從卷積方式、邊緣增強(qiáng)和多尺度特征三個(gè)方面對網(wǎng)絡(luò)進(jìn)行了改良，成功地提升了模型的分割精度和準(zhǔn)確率，后續(xù)存在著較大的改進(jìn)空間，可為以后的工作提供很好的基礎(chǔ)。