基于Dense U-Net的眼底视网膜血管分割

admin管理员组

文章数量:1566635

2024年6月13日发(作者：)

2021

年

4

月

第

36

卷第

4

期

内江师范学院学报

JournalofNeiianormalUniversit

jg

N

y

Ar.2021

p

Vol.36No.4

基于

DenseU-Net

的眼底视网膜血管分割

付顺兵

,

王朝斌

*

,

陈

旭

,

刘文秀

,

张晓倩

()

西华师范大学计算机学院

,

四川

南充

637009

针对眼底视网膜血管图像特征信息复杂

,

现有的血管分割算法对细小血管特征难以采集和血管误分

摘

要

:

割等问题

,

提出一种融合

U

首先

,

提取眼底图像的绿通道

,

通过限制对比度自适

-Net

网络和密集网络的分割方法

.

应直方图均衡化对图像进行血管增强处理

,

其次

,

利用局部自适应

G

同时

amma

校正来调整眼底图像的亮度信息

,

))

和

S

两个公开数据集上

DRIVE

(

diitalretinalimaesforvesselextractionTARE

(

structuredanalsisoftheretina

ggy

明所提方法能够准确识别并分割出眼底细微血管

,

提高了视网膜血管分割的准确率

.

://

DOI

.51-1621z.2021.04.008

j

中图分类号

:

TP391

文献标志码

:

A

;

关键词

:

图像处理

;

眼底图像

;

血管分割

;

密集网络

U-Net

在卷积层之间引入一种动态激活函数

,

提高网络的特征表达能力

,

最后输入到改进网络模型中进行分割

.

该算法在

的准确率分别为

9

特异性分别为

9

灵敏度分别为

8

实验表

6.28%

和

96.85%

,

8.46%

和

98.55%

,

0.47%

和

81.38%.

*

()

文章编号

:

1671-1785202104-0040-07

0

引言

眼底视网膜血管形态结构

(

如直径

、

分支

、

角度

等

)

是衡量人体健康的重要指标

,

能够反映出人体的

]

1

,、

青光眼

、

高血压等

[

因此

,

进行眼底图像

thDR

)

.

y

分析

,

对辅助医生诊断和治疗人体各种系统疾病

,

具

方法

.

该类方法虽然在分割速度上有优势

,

但提取到

的血管信息粗糙

,

分割的准确率较低

.

而有监督的方

该类分割方法需要人工提取的标签用于训练

.

常用

学习的方法

,

基于机器学习的方法首先通过人工提

取图像的特征再结合支持向量机

、

贝叶斯分类器等

[]

进行分割

.

如

Ricci

等

5

先对眼底图像进行预处理

,

法是通过提取图像的各种特征来训练一个能准确区

分血管和背景像素的分类器

,

最终实现血管的分割

.

的有监督方法包括基于机器学习的方法和基于深度

各种疾病

,

如糖尿病视网膜病变

(

diabeticretinoa

p

-

有重要的临床意义

.

目前

,

眼底视网膜图像的血管主

要还是通过人工分割获得

,

然而对眼底图像中的血

管进行手动标记费时费力

,

并且易受主观因素的影

响

,

难以获得高准确的分割结果

,

视网膜血管辅助诊

断疾病未得到广泛的应用

,

所以迫切需要一种能准

确分割视网膜血管的方法来为眼科医生提供有价值

的辅助诊断

.

近年来

,

国内外的专家学者针对眼底视网膜血

提取了图像的绿通道

,

然后再利用

SVM

对血管和

习的方法在准确率上有所提高

,

但由于需要人工提

取特征

,

很大程度上增加了因人为因素导致分割结

非血管进行分割

.

与无监督的方法相比

,

基于机器学

果错误的概率

.

为此

,

人们将基于深度学习的方法引

,

实现了血管的分割

.domforestRF

)

Fu

等

7

先将眼

底图像输入到卷积神经网络中生成其概率图

,

再使

[]

管提出了很多的分割算法

.

其分割算法可分为两大

验标记信息

,

而是使用传统的分割方法来提取眼底

]

2

]

34

]

、、

血管

,

如基于模型

[

形态学处理

[

匹配滤波

[

等

类

:

无监督方法和有监督方法

.

无监督方法不需要先

[

6

]

入医学图像分割领域

,

如

Wan

g

等使用卷积神经

网络提取眼底图像的特征

,

并结合随机森林

(

ran

-

收稿日期

:

2021-01-20

)

西华师范大学英才科研基金项目

(

基金项目

:

17YC498

,

付顺兵

(

男

,

四川凉山人

,

硕士研究生

,

研究方向

:

医学图像处理

作者简介

:

1995

—)

,

王朝斌

(

男

,

重庆人

,

教授

,

博士

,

研究方向

:

网络安全与算法

*

通信作者

:

1970

—)

第

4

期付顺兵

,

等

:

基于

DenseU-Net

的眼底视网膜血管分割

·

41

·

用全连接条件随机场来获得血管的分割结果

.Lu

8

]

等

[

提出一种包含收缩路径和扩展路径的神经网络

有冗余性

.

密集网络的主要改进在于任何两层之间

的输入为

x

,

H

代表一个非线性的操作

,

H

其公式

定义如下

:

[…,)

X

l

=

H

l

(

xxx

.

0

,

1

,

l

1

]

-

都有连接

,

每一层都会接收来自前面所有层的输出

,

实现了特征的重复利用

.

如图

1

所示

,

假设某层网络架构来对眼底视网膜血管进行分割

,

捕获了更多的

上下文语义信息

,

分割的准确率得到一定的提升

.

但

目前所提的血管分割算法仍存在细小血管特征难以

采集和误分割等问题

,

因此本文提出一种融合

U-

并用于

Net

网络和密集网络的

DenseU-Net

模型

,

1

相关算法原理

1.1 U-Net

模型

[]

U-Net

网络由

Ronneberer

等

9

在

2015

年提

g

[

10

]

,

改进的全卷积网络

,

其结构类似

networksFCN

)

于

U

型

,

因此得名

U

整个的

U-Net.-Net

网络主要

视网膜血管分割

.

图

1

密集连接模块

出

,

是一种基于全卷积神经网络

(

fullonvolutional

y

c

由两部分构成

:

收缩路径和扩展路径

.

其中收缩路径

用于获取输入图像的上下文信息

,

扩展路径用于对

输入图像中需要分割的区域进行精确定位

.

在对医

学图像进行分割时

,

由于器官结构固定和本身的语

义信息不是特别丰富

,

要想达到好的分割效果

,

图像

的深层特征和浅层特征都很重要

,

U-Net

网络通过

)

使用跳跃连接

(

融合深层和浅层的

skionnection

p

c

特征

,

能提取到更多的语义信息

,

所以

U-Net

网络

常用于医学图像分割任务中

.

2

视网膜血管分割网络结构

2.1

网络结构

针对眼底视网膜图像特征的复杂性及

U-Net

网络对细微血管特征难以采集等问题

,

本文提出了

一种融合

U-Net

网络和密集连接模块的

Dense

网络架构

,

整体网络结构如图

2

所示

.

传统

U-Net

网络使用

4

次下采样操作和

4

次上采样操作

U-Net

来提取图像的特征信息

,

由于眼底图像是小数据集

,

为了防止在训练过程中因网络层数过多而可能出现

]

12

的过拟合

[

等问题

,

因此本文使用

3

次下采样和

3

1.2

密集网络

[

11

]

密集网络由

Huan

g

等在受到以下两点启发

每一步都随机的

D

可以提高网络模

roout

一些层

,

p

型的泛化能力

.

这就说明神经网络中的某一层不仅

仅依赖于前一层的特征

,

还可以依赖更前面层的特

次上采样的网络架构

.

整体网络架构由收缩路径和

(、

下采样

、

上采样等操作

.

蓝色

concatenateblock

)

的条形框为密集模块

,

图中条形框旁的数字代表图

)、

扩展路径组成

,

包含密集模块

(

拼接块

denseblock

后提出

.

在对残差网络进行改进时

,

发现训练过程中

像的尺寸大小

,

黄色条形框为拼接块

,

是对扩展路径

中经过上采样操作后的图像与对应收缩路径网络层

的特征图进行融合

,

同时在每个卷积层之间使用一

种动态的激活函数

,

将在后面进行详细介绍

.

征

.

其次

,

在网络训练过程中随机舍弃很多中间层也

不会对算法的收敛性造成影响

,

说明了残差网络具

图

2 DenseU-Net

网络结构

·

42

·

内江师范学院学报第

36

卷

2.2 DnamicReLU

激活函数

y

在卷积神经网络中

,

激活函数的主要作用是引

入非线性的因素

,

使网络能够完成非线性映射

.

常见

、

的激活函数有

:

然而传统

SimoidTanh

、

ReLU

等

,

g

的激活函数是静态的

,

即对所有的输入样本都执行

同样的操作

.

为了改善神经网络中传统激活函数存

[]

13

,

来提

namicrectifiedlinearunitDnamicReLU

)

y

高本文网络模型的非线性表达能力

.

kkkkkk

,

a

x

)

αΔa

x

),

b

x

)

Δb

x

)

=+

λ

=

c

(

ac

(

c

(

bc

(

β

+

λ

kkkk

、

其中

,

αbλλ

b

是用

c

、

c

的初始值

,

a

和

β

分别为

a

于控制范围的标量

,

也就是在对每个特征通道上所

加的权值

.

3

实验及结果分析

3.1

眼底图像数据集

[

5

]

实验使用的数据集来自公开数据库

DRIVE

1

[

6

]

,

和

S

目前相关的研究大多采用这两个数

TARE

1

在的问题

,

本文通过引入了一种动态修正单元

(

d

y

-

图

3

动态修正单元流程

如图

将其分为

3

所示

,

对输入向量

x

进入激活函数之前

,

两个流分别输入

θ

(

x

)

和

f

θ

(

x

)

x

用于获得激活函数的参数

,

即对输入向量

(),

θ

(

x

x

各维度

)

的上下文信息进行编码

,

使其参数自适应激活函数

,

θ

U

(

x

)

x

的计算公式如下

()

用于获得激活函数的输出值

:

.D

y

namicRe

-

y

c

=

f

θ

(

x

)

(

c

)

=

其中

,

c

(

1

≤

c

x

1

m

≤

k

a

≤

x

K

{

a

k

c

(

x

c

+

c

}

≤

C

)

为通道数

,

k

)

x

b

k

(

1

≤

k

≤

,

数的数目

,

x

K

)

为函

c

表示第

c

个通道的输入向量

,

a

k

c

k

助函数

θ

下

:

(

x

)

计算得到的参数

,

表示

、

b

如

c

是一组由辅

θ

(

x

b

)

=

[

a

1

1

,…,

a

1

C

…,

a

K

…,

a

K

1

辅助函数

,…,

b

1

C

,…,

b

K

,

1

,…,

b

1

K

,

C

1

C

]

T

.

,

(

模块

s

q

ue

.

e

其主要思想是通过注意力来自动获取每个特

ze

-

and

-

ex

θ

cit

(

x

ati

)

onn

的计

etw

算

or

采

ks

用

,

SE

的

-N

是

et

S

)

E

网络

中的

SE

征通道的重要程度

,

然后按照这个重要程度去提升

对特定任务有用的特征信息

,

抑制用处不大的特征

信息

,

最后将权重加权到每个特征通道上

[

14

]

对于输入向量

.

(

x

lobalaverae

p

o

,

先

压

通

缩空

过

间

一

信

个

息

全

,

局

得

池

到

化

一维

层

向量

g

,

然后经过两个

g

oli

全

n

g

连

)

接层

(

full

y

connectedla

y

-

数

r

)

,

,

增加了更多的非线性操作

同时在两个全连接层之间

,

可以更好的拟合通道

使用一个

ReLU

函

间复杂的相关性

,

最后通过

Simoid

函数标准化输

出的范围

:

.

当完成

SE

模块中的计算后

g

,

最后的输出

为

据库来验证自己算法的性能

包含

40

张彩色眼底血管图像

.

其中

,

尺寸

DR

大

I

小

VE

数据集

为

5

565×

图像对应

84

,

如图

4

别如图

4

2

(

a

位专家的手动分割结果及眼底掩模

)

所示为一张原始眼底血管图像

.

每张

,

分

D

(

b

)、

图

4

(

c

)、

图

4

(

d

)

所示

.

本文使用

试图像进行实验

RIVE

数据库划分好的

,

训练数据包括彩色眼底图像

20

张训练图像和

20

张测

、

来自

第一位专家手动分割的结果图和掩模图像

,

测试时

使用来自第一位专家的手动分割结果对模型进行评

估

,

将模型的输出结果与第二位专家的手动分割结

果进行比较

.

图

4

数据库部分图像

1

STARE

数据集是由

中

Mic

包

ha

含

el

了

Goldbaum

在

其

图像

975

年发起的一个项目

,

每张图像对应

.20

张视网膜

大小为

设置掩膜图像

700×605

,

但

2

个专家的手动分割结果

,

尺寸

没有相对应的掩膜

,

需要手动

图像和测试图

.

由于该数据集官方并未划分为训练

像

,

因此本文将前

10

幅作为训练图

像

,

另外

10

幅作为测试图像

由于

DRIVE

数据集与

S

.

TARE

数据集中的图

f

L

e

第

4

期付顺兵

,

等

:

基于

DenseU-Net

的眼底视网膜血管分割

·

43

·

像较少

,

本文对训练图像进行数据增强处理

,

将经过

然后再进行水平

、

垂直和镜像翻转操作

,

数据集在原

来的基础上增加了

7

倍

,

DRIVE

训练数据图像变为

、、

预处理后的图像先进行

9

的旋转操作

,

0°180°270°

同时从每

140

张

,

STARE

训练数据图像变为

70

张

.

张图像中随机提取

2000

个大小为

48

p

ixel×48

图

5

展示了实

ixel

的局部样本块用于模型的训练

,

p

)

验中数据的部分局部样本块

,

其中图

5

(

为训练集

a

局部样本块

,

图

5

(

为对应的金标准局部样本块

,

b

)

可以看到图像被裁剪为很多的小块

,

TARE

数据集分别提取了

280000

和

1

D

4

R

00

IV

0

E

和

局部样本块

.

0

个

图

5

局部样本块示例

.2

数据预处理

由于眼底图像存在光照不均

、

血管与背景对比

度低等问题

,

为了易于网络的训练

,

提高分割的准确

率

,

先对这两个数据集进行预处理

(

两个

1

)

灰度变换

.

处理步骤如下

:

数据库的眼底图像都为

,

如图

6

所示

.

通

RG

过

B

图像

,

先对

图像进行通道提取实验可以看

出

,

提取绿色通道后的眼底图像中血管与背景对比

度高

,

能够较好的显示出血管结构

,

所以本文使用绿

色通道的图像进行后续的分割实验

(

对绿色通道后的图像进行零均值化和单位标准

2

)

数据标准化

.

化处理

,

使其符合正态分布

x′

.

公式如下

:

=

x

σ

-

μ

,

其中

,

x

为原始样本数据

,

μ

为原始样本数据的均

值

,

σ

为原始样本数据的标准差

,

x′

为标准化后的

图像数据

(

对图像进行分块处理

3

)

限制对比度自适应直方图均衡化

.

,

一般划分为

8

行

8

列的

图

6

眼底彩色图及其不同通道图像

4

个小块

,

然后对每一个小块进行直方图均衡化操

作

,

增加图像的对比度

(

.

对图像进行归一化处理

4

)

数据归一化

,

处理后图像的像素值

取值范围在

[

0

,

1

]

之间

.

归一化公式定义如下

:

x

norm

=

其中

,

x

为输入图

ma

x

i

像

x

(

x

-

min

(

x

)

的

)

-

min

(

x

,

像素点值

)

i

,

m

像素值

ax

(

x

)

,

x

分别为图像样本数据中最小像素值和最大

min

(

x

)

和

norm

为经过归一化处理后的像素值

.

膜图像的背

G

(

5

a

)

mm

局部自适应

a

校正是

G

一

a

种

mm

非

a

校正

线性操作

,

通过对视网

景和血管进行

图像中血管较暗部分的亮度信息

Gamma

校正

,

用于增强

,

并且能够有效保

留图像亮度较强部分的质量

.3

参数设置

.

本文使用

库进行实验

,

输入图像包括原始眼底图像

tensorflow

框架下的

keras

深度学习

、

金标准图

像及掩模

,

把输入图像的

为验证集

.

训练时

,

使用

A

90%

作为训练集

,

10%

作

本块

,

模型的迭代次数为

00

1

1

d

0

,

ma

优化

0.

练

器对模型进行

优化

,

初始学习率为

0.

每次训

20

个局部样

.4

性能评价指标

为了对本文所提算法的分割性能进行评估

,

采

用准确率

(

(

accurac

y

)、

特异性

(

s

p

ecificit

y

)、

灵敏度

率

sen

A

s

c

i

c

tiv

表示被

it

y

)

和

正

F1

值

(

确分

f

割

1-s

的

co

血

re

管

)

作为评价标准

像素点和背景

.

准确

像素

点占整个图像总的像素点的比例

;

特异性

S

p

表示被

S

6

3

3

3

·

44

·

内江师范学院学报第

36

卷

正确分割的背景像素点占金标准背景总的像素点的

比例

;

灵敏度

Sn

表示被正确分割的血管像素点占金

标准血管总的像素点的比例

;

F1

值用于衡量分割

结果和金标准之间的相似性

.

相关指标计算公式如

下

:

Acc

=

T

N

+

TT

NP

,,

S

p=

T

N

+

TFFTF

P

+

N

+

PN

+

P

T2T

PP

,,

F1-score

=

T2T

P

+

F

NP

+

F

P

+

F

N

其中

,

真阳性

)

表示血管像素被正确分类为血

T

P

(

Sn

=

管

;

T

假阳性

N

(

真阴性

)

表示

)

表示背景像素被正确分类为背景

背景像素被错误分类为血管

;

(

P

假阴性

(

ROC

)

表示血管像素被错误分类为背景

曲线

(

receivero

p

eratin

g

chara

.

;

F

N

cteristic

标

ur

系

.

v

它反映了不同阈值时灵敏度与特异性之间的关

e

)

也是一种衡量视网膜血管分割标准的重要指

,

其中横轴为假阳性率

(

纵轴为真阳性率

(

false

p

ositiverate

,

FPR

),

(

加直观地评估算法的血管分割性能

ar

t

e

r

au

ue

n

p

d

o

e

s

r

iti

t

v

h

e

er

ra

o

t

cc

e

,

T

,

u

其值越接近

r

P

v

R

e

),

A

R

U

O

C

C

曲

线下方的面积

,)

更

表示预测准确率越高

,

分割效果越好

1

,

.

.

.

5

5

实验结果分析

.1

本文改进模型分别在

分割结果

图像数据库上进行实验

,

其分割结果如图

DRIVE

和

STA

7

RE

眼底

和图

所示

.

其中第一列为输入图像

,

第二列为金标准图

8

像

,

第三列为本文模型的分割结果

分割的图像进行比较

,

本文算法可以将血管与背景

.

通过与专家手动

区域分开

,

并成功的检测出细小血管

,

具有良好的分

割性能

.

图

7

在

DRIVE

数据库上的分割结果

为了更直观的表现出本文算法的分割性能

,

给

出了如图

9

所示的

ROC

曲线

,

从图中可以看出

,

在

图

8

在

STARE

数据库上的分割结果

RIVE

和

高

,

存在血管误分割的可能性小

0.9

S

84

T

0

A

和

RE

数据库上的

0.9746

,

假阳性率较低

ROC

曲线下方面积

分别为

.

,

真阳性率

图

9

不同数据库上的

ROC

曲线

.5.2

为了验证本文改进模型在眼底视网膜血管分割

先进算法对比

上的分割性能

,

将本文所提算法在

DRIVE

和

法进行对比

TARE

数据集上的性能评价指标与目前先进的算

,

结果如表

1

和表

出

,

本文的分割算法在

DRIV

2

所示

E

数据

.

从表

集上

1

中可看

的

Acc

,

F

c

3

3

D

3

S

第

4

期付顺兵

,

等

:

基于

DenseU-Net

的眼底视网膜血管分割

·

45

·

,,

SSnF1-score

和

AUC

等性能指标分别达到了

p

从

96.28%

、

98.46%

、

80.47%

、

82.54%

和

98.40%.

4

结束语

眼底图像中视网膜血管的准确分割对患者早期

的诊断和治疗具有十分重要的临床意义

.

本文针对

法存在细小血管特征难以采集等问题

,

在

U-Net

网

络架构的基础上

,

提出了一种融合

U-Net

网络和密

集网络的分割方法

.

通过将密集网络中的密集连接

模块引入到

U

增加了特征信息的重复

-Net

网络中

,

利用

,

提高了分割的准确率

,

同时使用

DnamicRe

y

-

视网膜血管的图像特征信息复杂及现有血管分割算

综上所述

,

98.55%

、

81.38%

、

83.17%

和

97.46%.

这表明了本文所提的算法能够准确分割出细小血

性较强

.

管

,

相比其他算法对视网膜血管分割更具优势

,

鲁棒

表

1

在

DRIVE

数据集上与其他算法对比

单位

:

%

,,,

表

2

可看出

,

在

STARE

数据集上的

AccSSn

p

F1-score

和

AUC

等性能指标分别达到了

96.85%

、

Metho

[

ds

]

9

Acc

9

S

p

Sn

s

F

co

1-

Ro

A

y

z

C

c

z

h

h

o

en

17

9

77

—

re

AUC

o

p

w

a

g

d

r

h

d

[

8

]

u

i

1

r

[

19

]

9

4.74

9

4

9

7

.

8

.

98

.

0

3

47

2.52

—

9

9

5

.42

9

7

6.55

7

2

—

9

6.48

—

9

6.14

9

6

Pro

p

o

U

se

-

Lu

y

dm

Net

ethod

9

5

.

9

5

.

20

6

.

5

.

6

9

2

2

8

9

8.1

0

4

9

8

8

.

.

2

4

3

6

7

8

.50

8

5

.

0

.

1

.

6

2

4

5

7

8

8

0

2

.

.

8

5

6

4

9

7

.20

9

8

.

8

.

90

.

3

4

5

0

表

2

在

STARE

数据集上与其他算法对比

单位

:

%

A

M

zz

e

o

th

a

odsAccS

p

Sn

s

F

co

1-

R

9

9

7.017

—

re

L

o

i

y

s

c

9

77

7.1

—

9

A

4

UC

W

k

h

o

o

p

w

w

s

d

r

k

h

di

u

[

r

95

0

]

y

95

.

.

6

1

3

0

[

2

i

2

1

]

95.66

9

8

.30

7

7.2

6

0

—

9

9

8

.

8

.

44

.

8

6

57

7.26

—

9

6

.97

6

.

.

90

Pr98.5

0

5

7

5

8

8

.

1

.

2

.

4

3

3

6

8

8

8

1

3

.

.

5

1

9

7

9

.

o

5

p

.

o

U

a

3

se

-

n

表

dm

N

g

et

9

ethod9

9

6

6

.

6

.

4

.

7

0

8

8

59

6

—

71

7

.

.

9

4

5

6

激活函数对比

函数在

3

展示了基于本文改进模型的

6

种不同激活

看到

,

So

D

ft

RI

lu

V

s

E

数据集上的分割性能

激活函数的各项评价指标都很差

.

从表中可以

,

说

明该函数的非

p

线性表达能力差且不稳定

;

其变种激活函数的部分指标比前两种激活函数高

ReLU

及

,

但提升的效果并不大

;

各项评价指标上均有所提高

D

y

nam

,

i

这表明该函数能够更

cReLU

激活函数在

好地提升网络的非线性表达能力

,

从而增强了网络

对视网膜血管的分割效果

表

3

不同激活函数在

DRIV

.

E

数据集上的评价指标对比

单位

:

%

激活函数

S8

Acc

9

S

p

Sn

s

F

co

1-

re

8

AUC

S

of

E

t

p

L

l

U

us

8

0

9

266

8

2.43

Lea

R

k

e

R

L

e

U

LU

9

2

.

.

62

9

29

0

.

.

5

3

5

27

5

6

6.27

9

6.547

0

.

7

5

.

07

.

8

1

1

7

9

9

7

9

6

.14

5

.

.

82

D

y

na

P

m

R

i

e

cR

LU

eLU

9

0

.

0

.

6

8

4

5

8

9

3

6

.

.

5

2

7

8

9

5

9

6

.66

8

.

.

8

4

6

6

7

6.2

3

97

8

.21

8

7

0

.

.

6

4

3

7

8

8

.

.

86

8

0

2

.

5

.

3

2

5

7

4

9

9

6

8

.

77

.

6

4

4

0

U

激活函数来提高网络的非线性表达能力通过

在

DRIV

本文所提的算法能够分割出细小血管

E

和

STARE

两个眼底图像数据集上的实

.

验表明

,,

且准

确率较高

,

具有良好的分割性能

网膜血管图像仍会出现血管分割断裂的现象

.

但对带有病灶的视

,

如何

更准确地分割出带有病灶信息的眼底图像血管并防

止出现断裂的问题将是下一步研究的重点

.

参考文献

:

[

1

]

t

Z

m

a

HU

tioni

C

nc

,

ZO

ol

U

ou

B

rf

,

Z

u

HA

ndu

O

si

R

m

,

a

et

g

e

a

su

l.R

si

e

n

ti

g

na

e

l

x

v

t

e

re

ss

m

el

el

se

e

g

ar

m

n

e

in

n

-

g

Gr

a

a

c

p

h

h

i

i

n

c

e

s

,

2

[

0

J

17

]

.

,

55

C

:

o

68

m

-

p

77

ut

.

erizedMedicalIma

g

in

g

and

[

2

]

s

Z

e

HA

me

O

nt

YT

ation

,

RA

us

D

in

AL

,

n

C

fi

H

nit

E

e

NK

p

er

,

i

et

m

a

e

l

te

.

r

Au

a

t

c

o

t

matedvessel

r

m

g

e

o

ti

d

n

e

a

lw

lim

it

a

hh

g

es

y

b

[

r

J

id

g

]

.

re

I

g

i

E

i

E

on

ET

inf

r

o

a

r

n

m

sa

a

c

ti

ti

o

o

nw

nso

it

n

ha

i

M

p

v

e

p

e

l

d

i

i

c

c

c

a

o

a

t

l

i

n

o

t

I

n

ou

m

t

r

a

o

-

[

3

]

g

a

F

in

R

g

A

,

Z

201

M

5

M

,

34

,

B

(

9

A

)

R

:

1

MA

797

NSA

-1807.

,

REMAGNINOP

,

p

p

roachtolocalizetheretinalbloodvesselsusinit

[

4

]

a

l

陆

n

a

p

dP

nes

培

r

,

o

an

王

g

r

dc

磊

am

e

,

s

nt

李

i

e

nB

rli

志成

i

n

o

ed

,

m

等

e

e

d

tection

.

ic

一

in

种

e

,

[

J

]

.Com

g

b

普

20

适

12

的

,

10

基

8

于

(

2

p

多

)

ut

:

6

erMethods

尺

00

度

-6

滤

16

波

.

和

统计学混合模型的血管分割方法

[

J

]

.

中国生物医学工

程学报

,

[

5

]

s

R

i

I

n

C

g

C

l

I

in

E

2

eo

,

P

0

E

16

p

e

R

r

F

,

3

at

E

5

or

T

(

5

sa

TI

):

n

R

51

ds

.R

9

e

-

u

t

5

i

2

p

n

p

a

5

o

l

.

rtv

bloo

e

d

ct

v

o

e

rc

sse

l

l

as

s

s

e

i

g

fi

m

ca

e

t

n

i

t

o

a

n

tio

[

n

J

u

]

-

IEEETransactionsonMedicalIma

g

in

g

,

2007

,

26

(

10

):

.

[

6

]

1357.

b

WANGS

,

YINY

,

CAOG

,

b

l

7

l

o

0

e

o

8-

l

dv

e

7

a

1

r

e

7

n

s

i

selse

g

.

n

g

[

J

]

m

.N

en

e

t

u

at

r

i

o

o

c

nb

om

a

p

s

u

e

t

do

in

g

nf

rarchicalretinal

,

20

e

1

at

5

u

,

r

1

ea

49

n

(

de

Par

n

tB

sem

)

-

:

[

7

]

F

m

U

ent

H

at

,

i

X

o

UY

,

WONGDWK

,

lvesselse

g

-

condition

nv

alr

i

a

ad

nd

e

o

e

mf

p

l

i

e

e

a

l

r

d

n

s

in

[

g

C

n

]/

et

/

2

w

0

o

1

r

6

ka

IE

nd

EE1

full

3

y

t

-

h

co

I

n

nt

n

e

e

r

c

n

te

a

-

d

tionalS

y

m

p

osiumonBiomedicalIma

g

in

g

(

ISBI

)

.IEEE

,

L

3

·

46

·

2016

:

698-701.

内江师范学院学报第

36

卷

[]

8LUY

,

ZHOUY

,

lutionalencoderdecod

--

//

fundusimaes

[

C

]

20185thInternationalConference

g

,

,

2018

:

1071-1075.

jg

erarchitectureforretinalbloodvesselsementationin

g

,

retina

[

J

]

.IEEETransactionsonMedicalImain

gg

[]

HO16OVERAD

,

KOUZNETSOVAV

,

GOLDBAUMM.

threshold

p

robinfamatchedfilterresonse

[

J

]

.

g

o

p

,:

IEEEtransactionsonmedicalimain2000

,

19

(

3

)

gg

[]

17CHENGE

,

DUL

,

WUY

,

minativevessel

sementationinretinalimaesbusinontextaware

ggy

f

g

c

-

():

2014

,

2571779-1792.

],

hbridfeatures

[

eVisionandAlications

ypp

203-210.

Locatinloodvesselsinretinalimaesbiecewise

g

b

gyp

():

2004

,

234501-509.

Ridebasedvesselsementationincolorimaesofthe

ggg

-

),

onSstemsandInformatics

(

ICSAINovember10-12

,

y

[:

9

]

RONNEBERGERO

,

FISCHERP

,

BROXT.U-Net

/

tation

[

EBOL

]

.

(

2015-05-18

)[

2020-10-06

]

.ht

-

[],

10LONGJSHELHAMERE

,

v

y

c

-

IEEETransactionsonPatternAnalsisandMachine

y

[]

HUANGG

,

11LIUZ

,

WEINBERGERKQ

,

y

//

connectedconvolutionalnetworks

[

C

]

2017IEEE

ConferenceonComuterVisionandPatternReconi

pg

-

,():

Intellience2015

,

394640-651.

g

:////

1505.04597.

pg

ConvolutionalNetworksforBiomedicalImaeSemen

gg

-

olutionalnetworksforsemanticsementation

[

J

]

.

g

[]

A18ZZOPARDIG

,

STRSCIUGLION

,

VENTOM

,

etal.

]

licationtoretinalimaes

[

lImaeAnal

pggy

-

Trainablecosfirefiltersforvesseldelineationwitha

p

-

[]

张凯

,

陈亚军

,

张俊

.

生成对抗网络在医学小样本数据中

12

[]

13CHENYP

,

DAIXY

,

LIUMC

,

ReLU

y

//

2003.10027.

g

],():

的应用

[

J.

内江师范学院学报

,

202035457-60.

tion

(

CVPR

)

.IEEE

,

2017

:

2261-2269.

[,

19

]

ROYCHOWDHURYSKOOZEKANANIDD

,

PARHI

]

orvesselextractionandsubimaeclassification

[

J.

jg

,

IEEEJournalofBiomedical&HealthInformatics

():

2015

,

1931118-1128.

esselsementationoffundusimaesba

ggy

m

-

,():

sis2015

,

19146-57.

[/://

EBOL

]

.

(

2020-03-22

)[

2020-10-06

]

.httsarx

p

-

[,

20

]

inetinalblood

gg

r

]

vesselswithdeeeuralnetworks

[

ansactions

p

n

,,():

onMedicalImain2-2380.

gg

[]

HUJ

,

14SHENL

,

ALBANIES

,

andexcita

q

---

:////

1709.01507.

pg

/]

tionnetworks

[

EBOL

]

.

(

2017-09-05

)[

2020-10-06.

[]

W21ANGXH

,

JIANGXD

,

esselsementa

g

-

tionfromfundusimaebascadeclassificationframe

gy

ac

-

],,:

work

[

nReconition201988331-341.

g

[],

15STAALJABRAMOFFMD

,

NIEMEIJERM

,

etal.

RetinalVesselSementationBasedonDenseU-Net

g

*

,

WA

,,,

FUShunbinNGChaobinCHENXuLIUWenxiuZHANGXiaoian

gq

(,,

N

,)

SchoolofComuterScienceChinaWestNormalUniversitanchonSichuan637009

,

China

pyg

,,

tinhefeaturesoftinloodvesselsimaewhichoftenresultsinincorrectsementationanewsementationmethodcombi

g

t

y

b

ggg

-

:

,

Abstract

Inviewofthecomlexfeatureinformationofthefundusretinalbloodvesselimaeandthedifficultincollec

pgy

-

,

enhancement

p

rocessinntheimaebhecontrastlimitedadativehistorameualizationis

p

luselocal

g

o

gy

t

pgqy

,

functionisintroducedbetweenththeim

yppy

o

y

-

,

adativeGammacorrectiontoadustthebrihtnessinformationofthefundusimaeatthesametimeadnamicactivation

pjggy

,,

nin-Netnetworkanddensenetworkis

p

the

g

reenchannelofthefundusimaeisextractedandbloodvessel

g

U

yg

uracfthealorithmonthetwo

p

ublicdatasetsof

gppgy

o

g

thesecificitis98.46%and98.55%

,

thesensitivitis80.47%and81.38%.Theexerimentalresultsshowthatthe

p

roosed

pyypp

sementation.

g

))

DRIVE

(

DiitalRetinalImaesforVesselExtractionandSTARE

(

StructuredAnalsisoftheRetinais96.28%and96.85%

,

ggy

,

methodcanaccuratelidentifndsementthefinebloodvesselsofthefundusandimrovetheaccuracfretinalbloodvessel

yy

a

gpy

o

:

;;;;

Kewords

imae

p

rocessinfundusimaebloodvesselsementationU-Netdensenetwork

gggg

y

(

责任编辑

:

王

佩

)

本文标签： 分割图像血管进行网络