基于深度学习的视网膜图像血管与视盘分割方法

# 基于深度学习的视网膜图像血管与视盘分割方法 ## 1. 研究背景与意义 视网膜图像理解对于眼科医生诊断青光眼、糖尿病视网膜病变、黄斑变性和高血压等常见眼部疾病至关重要。这些疾病若不及时治疗，可能导致严重的视力损害甚至失明。早期诊断、适当治疗以及专家定期检查是控制病情发展的关键，这也凸显了自动化方法辅助眼科医生进行视网膜图像理解的必要性。在视网膜图像分析中，血管网络和视盘这两个解剖结构是研究的重点，此前已有多种方法用于对它们进行分割。 ## 2. DeepVessel 方法 ### 2.1 架构设计 DeepVessel 是一种基于新型深度学习架构的视网膜血管分割方法。它采用 CNN 网络结合侧输出层学习判别性表示，并通过 CRF 层生成高质量的血管概率图。在 DeepVessel 架构中，仅使用四个带有侧输出层的 CNN 阶段。这是因为眼底图像中的视网膜血管与自然图像中的一般物体边缘不同，物体边缘能分隔不同外观的区域，即使在较深的层中也可检测到边界；而视网膜血管只是一条曲线，在高步幅层中响应较弱，所以只采用四个侧输出层。早期的侧输出层感受野较小，对局部细节有响应，而较深的层则能表示更大尺度的外观。 ### 2.2 实验设置 - **实现框架**：使用 Caffe 库实现，并基于 HED 的实现进行构建，模型参数遵循相关配置。 - **微调方法**：采用两步微调方法，先使用 ARIA 数据集微调初始参数，再使用 DRIVE 训练集获得最终微调参数。 - **数据预处理**：将所有训练图像旋转到八个不同角度，并将 ARIA 图像调整为与 DRIVE 图像相同的大小。 - **训练时间**：在单个 NVIDIA K40 GPU 上，整个微调阶段大约需要两天（10,000 次迭代）。 - **推理时间**：对于 565×584 的图像，生成最终血管图大约需要 1.3 秒。 ### 2.3 实验结果 在 DRIVE、STARE 和 CHASE DB1 三个公开数据集上进行评估，使用准确率（Acc）和灵敏度（Sen）作为评估指标。与多种先进的血管分割方法进行比较，并将第二位观察者的手动分割结果作为人类观察者的性能参考。实验结果表明，DeepVessel 在这些方法中获得了最佳的准确率分数，在 CHASE DB1 数据集上的准确率与人类观察者相近，在其他两个数据集上的准确率更高。同时，对侧输出层的单个和平均融合结果进行了分析，发现第二和第三个侧输出层的性能优于其他两层，侧输出融合结果通常比单个层和无侧输出层的版本表现更好。具体性能数据如下表所示： | 方法 | DRIVE | | | STARE | | | CHASE DB1 | | | --- | --- | --- | --- | --- | --- | --- | --- | --- | | | Acc | Sen | Time | Acc | Sen | | Acc | Sen | | Human observer | 0.9472 | 0.7761 | - | 0.9349 | 0.8952 | | 0.9538 | 0.8092 | | Staal | 0.9441 | 0.7194 | 15 m | 0.9516 | 0.6970 | | - | - | | Mendonca | 0.9452 | 0.7344 | 2.5 m | 0.9440 | 0.6996 | | - | - | | Marin | 0.9452 | 0.7067 | 1.5 m | 0.9526 | 0.6944 | | - | - | | Fraz | 0.9480 | 0.7406 | 2 m | 0.9534 | 0.7548 | | 0.9469 | 0.7224 | | Nguyen | 0.9407 | 0.7429 | 2.5 s | 0.9326 | 0.8014 | | 0.9213 | 0.7153 | | Zhao | 0.9477 | 0.7354 | 2 m | 0.9509 | 0.7187 | | - | - | | Melinscak | 0.9466 | 0.7276 | - | - | - | | - | - | | Azzopardi | 0.9442 | 0.7655 | 10 s | 0.9497 | 0.7716 | | 0.9387 | 0.7585 | | Roychowdhury | 0.9494 | 0.7395 | 2.5 s | 0.9560 | 0.7317 | | 0.9467 | 0.7615 | | HED | 0.9435 | 0.7364 | 1.5 s | 0.9402 | 0.7116 | | 0.9380 | 0.7151 |