王師瑋，陳 俊，易才鍵

（福州大學(xué) 物理與信息工程學(xué)院，福州 350108）

0 引 言

據(jù)統(tǒng)計(jì)報(bào)告，中國是世界上盲人最多的國家之一，約有1 200萬盲人，占全世界盲人的18%。失明的重要原因之一就是眼底視網(wǎng)膜血管病變，在眾多致盲疾病的案例中，有許多病例是可以通過視網(wǎng)膜檢查來進(jìn)行防治的。以糖尿病視網(wǎng)膜病變?yōu)槔?，中國有?億糖尿病患者，在已知病史的糖尿病患者中視網(wǎng)膜病變的患病率65.2%，糖尿病患者眼底3～5年發(fā)病率為38.1%，5～15年發(fā)病率為39.58%，15年以上發(fā)病率為50%。如果患者能夠在確診為糖尿病后及時(shí)做眼底檢查，記錄自己的眼底視網(wǎng)膜影像并按期復(fù)查，就能在病變一出現(xiàn)苗頭時(shí)及時(shí)治療，這將大大降低后期出現(xiàn)視力損傷、致盲的概率。因此，建立眼科影像檔案來進(jìn)行視網(wǎng)膜病變的早期篩查工作就變得十分重要。

眼底視網(wǎng)膜血管是全身血管系統(tǒng)中唯一可以直接無創(chuàng)觀測到的部分，其自身變化，例如：血管長度、寬度、彎曲度、分叉模式等結(jié)構(gòu)特性的變化，均可作為診斷與血管相關(guān)疾病的依據(jù)。許多眼部疾病的病變情況可以在視網(wǎng)膜血管上觀察到，例如：青光眼、糖尿病視網(wǎng)膜病變、老年性黃斑病變等。通過對視網(wǎng)膜血管的結(jié)構(gòu)特性進(jìn)行專業(yè)分析，就可以觀察到這些眼底疾病病變的具體臨床表現(xiàn)，這為后續(xù)的診斷和治療有著重要意義。視網(wǎng)膜血管分割是獲取這些結(jié)構(gòu)特性的重要步驟，良好的分割結(jié)果將使后續(xù)的檢測分析更準(zhǔn)確。由于眼底存在許多微小的毛細(xì)血管，視網(wǎng)膜血管結(jié)構(gòu)又相對復(fù)雜、不規(guī)律，采用人工分割視網(wǎng)膜血管圖像的方式將會(huì)十分繁瑣，因此研究出一種高效、精確的視網(wǎng)膜血管自動(dòng)分割算法是非常有必要的。

目前，國內(nèi)外的眾多學(xué)者提出了許多優(yōu)秀的視網(wǎng)膜血管自動(dòng)分割算法，根據(jù)是否需要標(biāo)簽分為兩大類：無監(jiān)督算法和有監(jiān)督算法。

視網(wǎng)膜血管分割算法中的無監(jiān)督算法主要有：基于形態(tài)學(xué)處理的方法、基于匹配濾波的方法、基于形變模型的方法等。無監(jiān)督算法在分割過程中不需要利用專家手工標(biāo)注的金標(biāo)準(zhǔn)圖，主要是根據(jù)血管的原始信息來設(shè)計(jì)算法，此類算法易受數(shù)據(jù)的個(gè)體特征影響而無法廣泛應(yīng)用，且分割精度較難提高。

有監(jiān)督算法在分割過程中需要依靠專家手工標(biāo)注的金標(biāo)準(zhǔn)圖來訓(xùn)練模型并進(jìn)行迭代學(xué)習(xí)，得到最好的模型結(jié)果，此類算法在血管分割上通常能夠得到比無監(jiān)督算法更好的效果。近年來，隨著基于有監(jiān)督的深度學(xué)習(xí)技術(shù)的快速發(fā)展及其在計(jì)算機(jī)視覺任務(wù)中的良好表現(xiàn)，越來越多的學(xué)者將深度學(xué)習(xí)技術(shù)應(yīng)用于目標(biāo)分割領(lǐng)域。2014年Long等人提出全卷積網(wǎng)絡(luò)（Fully Convolutional Networks，F(xiàn)CN），開創(chuàng)性地將網(wǎng)絡(luò)中的全連接層改成卷積層，從而使整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)中只有卷積層，并將其運(yùn)用到分割任務(wù)中；Ronneberger等人提出了具有對稱性結(jié)構(gòu)的U－Net網(wǎng)絡(luò)，其中包括了編碼－解碼過程，使用了跳躍連接方式在上采樣階段將淺層特征進(jìn)行融合。U－Net特別的網(wǎng)絡(luò)結(jié)構(gòu)使得其在醫(yī)學(xué)圖像分割領(lǐng)域上表現(xiàn)出良好的性能，現(xiàn)有的很多模型也是在傳統(tǒng)U－Net的基礎(chǔ)上改進(jìn)的。Zhang Zhengxin等和Zeng Yuanyi等分別受到殘差連接和密集連接的啟發(fā)，將U－Net的子模塊分別替換為具有殘差連接和密集連接的形式，由此設(shè)計(jì)了Res－UNet和Dense－Unet；Alom提出了R2U－Net，將殘差連接與循環(huán)卷積的方法相結(jié)合，替換U－net的子模塊；Lian等人在U－Net中引入注意力機(jī)制，在特征拼接之前，使用了一個(gè)注意力模塊，該模塊生成一個(gè)門控信號(hào)，用來控制不同空間位置處特征的重要性；Zongwei Zhou等人提出的U－Net＋＋網(wǎng)絡(luò)，可以抓取不同層次的特征并以特征疊加的方式進(jìn)行融合；CAO Hu提出了首個(gè)基于純Transformer的U形醫(yī)學(xué)圖像分割網(wǎng)絡(luò)Swin－UNet，也取得了不錯(cuò)的效果。

為了減少在視網(wǎng)膜血管分割過程中的細(xì)節(jié)丟失問題，提升分割精度，本文設(shè)計(jì)了一種改進(jìn)U－Net網(wǎng)絡(luò)模型結(jié)構(gòu)。經(jīng)驗(yàn)證，本文算法較現(xiàn)有的先進(jìn)模型在分割效果上有一定的提升，可為臨床醫(yī)學(xué)診斷提供輔助信息。

1 本文方法

針對傳統(tǒng)算法在眼底視網(wǎng)膜血管分割過程中的特征提取困難、細(xì)節(jié)區(qū)域分割不精確的問題，本文在U－Net網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行改進(jìn)，提出了一種能更好進(jìn)行血管分割的算法CSD－UNet，其整體網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。該網(wǎng)絡(luò)在原U－Net的卷積過程中引入卷積注意力模塊（Convolutional Block Attention Module，CBAM），構(gòu)成一個(gè)新的卷積模塊CD－Conv，以此來對血管的細(xì)微結(jié)構(gòu)進(jìn)行通道和空間增強(qiáng)；使用SoftPool的池化方法、密集上采樣卷積（Dense Upsampling Convolution，DUC）方法，解決結(jié)構(gòu)信息丟失、損耗的問題。CSD－UNet算法能夠在不丟失信息的情況下，進(jìn)一步增加感受野并提高對細(xì)微特征的提取能力，進(jìn)而提高分割準(zhǔn)確率。

圖1 CSD－UNet整體網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Overall network structure of CSD－UNet

1.1 CD－Conv模塊

CD－Conv模塊是由CBAM模塊和雙層卷積構(gòu)成的，其結(jié)構(gòu)如圖2所示。在本文的血管分割任務(wù)中，考慮引入通道注意力來增強(qiáng)通道間的關(guān)聯(lián)性，解決神經(jīng)網(wǎng)絡(luò)中不同通道對特征選擇有不同依賴性的問題；考慮引入空間注意力來捕獲不同尺度的空間位置信息，突出血管區(qū)域特征抑制背景噪聲。CBAM模塊正是這兩者很好的結(jié)合，并且其是一個(gè)輕量級(jí)的通用模塊，可以無縫集成于本文的分割網(wǎng)絡(luò)之中，其結(jié)構(gòu)如圖3所示。

圖2 CD－Conv模塊結(jié)構(gòu)Fig.2 The structure of CD－Conv module

圖3 CBAM模塊結(jié)構(gòu)Fig.3 The structure of CBAM module

給定一個(gè)中間特征映射∈R，CBAM模塊順序地沿著通道和空間兩個(gè)獨(dú)立的維度進(jìn)行推導(dǎo)，分別得到注意力圖M∈R、M∈，其中?表示按位相乘，F是最終的細(xì)化輸出。完整過程可歸納為式（1）～式（2）：

其中，M是由通道注意力模塊獲得的，M是由空間注意力模塊獲得的，可定義為式（3）～式（4）：

CBAM的通道注意力模塊、空間注意力模塊的結(jié)構(gòu)如圖4和圖5所示。

圖4 通道注意力模塊結(jié)構(gòu)Fig.4 The structure of channel attention module

圖5 空間注意力模塊結(jié)構(gòu)Fig.5 The structure of spatial attention module

1.2 SoftPool

SoftPool能較好地參考特征區(qū)域內(nèi)的激活值分布，進(jìn)而服從一定的概率分布，能夠很好地保留視網(wǎng)膜血管的細(xì)微特征表達(dá)。

1.3 密集上采樣卷積

視網(wǎng)膜中存在的許多細(xì)微血管結(jié)構(gòu)往往會(huì)在訓(xùn)練過程中丟失，造成視網(wǎng)膜血管分割精度降低。因此，選擇密集上采樣卷積作為本算法的上采樣方法，產(chǎn)生密集的像素級(jí)預(yù)測映射，且在上采樣過程中捕獲更多細(xì)節(jié)信息。其結(jié)構(gòu)如圖6所示。

圖6 密集上采樣卷積模塊結(jié)構(gòu)Fig.6 The structure of DUC module

給定輸入圖片，整個(gè)網(wǎng)絡(luò)在預(yù)測前的輸出特征映射大小為，其中：，，為下采樣因子。DUC方法通過通道維度來彌補(bǔ)長寬尺寸上的損失，將轉(zhuǎn)為()，是分割類別的數(shù)目，最后再reshape回尺寸。其DUC的核心思想就是將整個(gè)標(biāo)簽映射劃分為與特征映射等尺寸的子部分，這些子部分被疊加次后又會(huì)直接得到整個(gè)標(biāo)簽映射。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)環(huán)境及預(yù)處理

CSD－UNet模型的開發(fā)集成環(huán)境為PyCharm，基于開源的Pytorch框架，運(yùn)行平臺(tái)為Windows系統(tǒng)，GPU為NVIDIA GeForce RTX 2070，內(nèi)存為16 GB。使用DRIVE數(shù)據(jù)集和CHASE_DB1數(shù)據(jù)集來驗(yàn)證本文的算法。

DRIVE數(shù)據(jù)集共有40張565×584彩色眼底圖像，其中33張為正常眼底圖像，7張存在輕度早期糖尿病視網(wǎng)膜病變，本文從中選擇訓(xùn)練集和測試集各20張；CHASE_DB1數(shù)據(jù)集包括從14名學(xué)童的雙眼中拍攝的28張視網(wǎng)膜圖像，每幅圖像的大小為999×960，本文從中選擇20張用于訓(xùn)練，8張用于測試。

為了提高模型分割血管的精度，要先對圖像進(jìn)行預(yù)處理之后再輸入網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。預(yù)處理方法主要包括以下步驟：

（1）提取視網(wǎng)膜圖像的G通道，并轉(zhuǎn)為灰度圖；

（2）歸一化處理后再采用自適應(yīng)直方圖均衡化方法（CLAHE），增強(qiáng)血管與背景對比度的同時(shí)不放大噪聲；

（3）使用伽馬算法對圖像進(jìn)行對比度的均勻增強(qiáng)；

（4）采用隨機(jī)裁剪的方式進(jìn)行數(shù)據(jù)擴(kuò)充。

測試集不進(jìn)行數(shù)據(jù)預(yù)處理。

2.2 實(shí)驗(yàn)結(jié)果與分析

在DRIVE、CHASE_DB1數(shù)據(jù)集上對本文算法進(jìn)行測試，視網(wǎng)膜血管分割結(jié)果如圖7、8所示，第一列是原始圖像，第二列是本文算法的分割結(jié)果，第三列是本文算法的分割二值圖像，第四列是手工標(biāo)記的分割結(jié)果圖?？梢钥闯?，本文的CSD－UNet模型可以較好地克服血管分割的難點(diǎn)，得到良好的分割結(jié)果。

圖7 DRIVE數(shù)據(jù)集上的分割結(jié)果Fig.7 Segmentation results on DRIVE dataset

圖8 CHASE_DB1數(shù)據(jù)集上的分割結(jié)果Fig.8 Segmentation results on CHASE_DB1 dataset

將本文算法與近年用于視網(wǎng)膜血管分割的幾種先進(jìn)算法進(jìn)行對比，采用了準(zhǔn)確率（Accuracy，），敏感度（Sensitivity，），特異性（Specificity，），1（1score）以及（Area Under Curve）5種常用的衡量算法性能的指標(biāo)來進(jìn)行分析，其定義分別如式（7）～式（10）：

其中，（真陽性）表示將正例預(yù)測為正例的數(shù)量；（假陽性）表示將負(fù)例預(yù)測為正例的數(shù)量；（假陰性）表示將負(fù)例預(yù)測為負(fù)例的數(shù)量；（真陰性）表示將正例預(yù)測為負(fù)例的數(shù)量。

為ROC曲線下方的面積，ROC（Receiver Operating Characteristic，ROC）曲線以（真陽性率）、（假陽性率）為縱、橫坐標(biāo)，計(jì)算為式（11）～式（12）：

其中，N表示金標(biāo)準(zhǔn)圖中正例數(shù)量；N表示金標(biāo)準(zhǔn)圖中負(fù)例數(shù)量；表示預(yù)測結(jié)果中正例數(shù)量；表示預(yù)測結(jié)果中負(fù)例數(shù)量。

在DRIVE、CHASE_DB1測試集上的實(shí)驗(yàn)結(jié)果見表1、表2。實(shí)驗(yàn)結(jié)果表明，CSD－UNet方法在視網(wǎng)膜血管分割任務(wù)上的性能較其他方法有一定的提升。在DRIVE、CHASE_DB1數(shù)據(jù)集上的曲線和曲線如圖9、圖10所示。

圖9 DRIVE數(shù)據(jù)集上的PR曲線和ROC曲線Fig.9 PR curve and ROC curve on DRIVE dataset

圖10 CHASE_DB1數(shù)據(jù)集上的PR曲線和ROC曲線Fig.10 PR curve and ROC curve on CHASE_DB1 dataset

表1 DRIVE數(shù)據(jù)集上各種算法的實(shí)驗(yàn)結(jié)果Tab.1 Experimental results of various algorithms on DRIVE dataset

表2 CHASE_DB1數(shù)據(jù)集上各種算法的實(shí)驗(yàn)結(jié)果Tab.2 Experimental results of various algorithms on DRIVE dataset

3 結(jié)束語

本文基于U－Net網(wǎng)絡(luò)，引入CBAM、SoftPool、DUC方法，設(shè)計(jì)了一種能夠更好地進(jìn)行眼底視網(wǎng)膜血管分割的算法CSD－UNet。該算法在公開數(shù)據(jù)集DRIVE、CHASE_DB1上進(jìn)行驗(yàn)證，得到結(jié)果值為0.956 8、0.965 9，值為0.979 3、0.987 8，1值為0.824 1、0.832 3，值為0.795 2、0.764 0，值為0.980 4、0.991 1。分割結(jié)果的客觀評價(jià)指標(biāo)與主觀視覺驗(yàn)證了該算法在分割精度方面的有效性，且較現(xiàn)有的先進(jìn)算法有一定的提升。