视网膜血管图像分割研究现状分析

邱夏青

（温州大学计算机与人工智能学院，温州325035）

0 引言

视网膜血管形态，如形状、弯曲程度、分支模式和宽度等信息都能够为视网膜疾病的检查提供帮助。传统上基于医生手工进行分割的方式不仅需要花费大量的时间和精力，而且分割效率非常低下、可重复性不强。因此，实现视网膜血管图像的自动分割具有很强的应用价值，也成为医学研究的重要课题之一。近年来，在大量专家学者的共同努力下，视网膜血管图像的自动分割结果已经能够超过人类手工分割的水平了。本文简要介绍各类分割算法，以帮助读者更清晰地了解视网膜血管图像分割的研究进展和技术要领。

大体上，视网膜血管图像分割方法可以分为两大类：基于有监督的视网膜血管图像分割方法和基于无监督的视网膜血管图像分割方法。基于有监督的分割方法首先需要使用手工标注的血管图像对二分类器进行训练，然后使用分类算法对眼底图中的每个像素进行分类。无监督的分割方法不需要手工标注的血管图，而是根据血管的形态学特性分割出血管。本文将对各种典型视网膜血管图像分割技术进行介绍和效果分析。

1 视网膜血管图像分割评价标准

通常会采用四种评价标准来评估视网膜血管分割技术的性能，包括敏感性（Se）、特异性（Sp）、准确性（Acc）和曲线下面积（AUC）。视网膜血管分割问题可视为对所有像素进行二分类的问题，因此可以使用混淆矩阵来评估各种方法的性能。混淆矩阵包括四个参数：真阳性（TP）表示正确分类血管的个数；假阴性（FN）表示错误分类血管的个数；真阴性（TN）表示正确分类的背景像素个数，假阳性（FP）表示错误分类血管的像素数量。敏感性、特异性、准确性和曲线下面积的值可以基于该四个参数计算得到，具体计算公式如表1所示。

表1 评价标准计算公式

2 基于无监督的分割技术

基于无监督的视网膜血管图像分割技术是一种基于规则的分割技术，现有方法主要包括基于匹配滤波、血管追踪、阈值分割、模型以及数学形态学处理等的分割方法。无监督分割方法是基于局部强度和梯度等对未标记的图像建立分割模型，在调整模型时，会对模型的优劣进行评估，并且根据最小化函数对模型进行调整，找到血管与背景之间的最佳分离。总体而言，无监督方法的分割速度较快，计算复杂度较小，但是分割效果不太理想，分割训练流程如图1 所示。

图1 无监督方法的训练流程

2.1 基于匹配滤波的分割方法

基于匹配滤波的分割方法充分利用了局部图像块与滤波核之间的相关性，基于二维高斯模板对视网膜图像进行二维卷积操作，在宽度和方向上重现血管结构。Chaudhuri 等人[1]最早提出二维匹配滤波的视网膜血管图像分割方法，该方法用高斯曲线来逼近视网膜血管剖截面，然后基于高斯卷积方法来搜索出眼底图像中所有的血管信息。Azzopardi 等人[2]提出的B-COSFIRE 滤波器算法，B-COSFIRE 滤波器可以选择性地响应诸如血管等线性结构。通过设置2 个旋转不变的B-COSFIRE 滤波器分别对线条和线条端点进行选择，然后得到相应，再通过限定阈值实现血管像素的分割。Zhang 等人[3]提出了一种基于最大化方向分数域的多尺度二阶高斯导数滤波响应的分割技术，该方法在六个公开的数据集上进行性能评估，该方法能够分割出细小的血管结构和交叉部分的血管结构。梁恩慧等人[4]提出了一种基于线模板滤波和B-COSFIRE 滤波的分割方法，该方法能够改善匹配滤波的总体分割性能。

2.2 基于血管追踪的分割方法

基于血管追踪的分割方法首先在血管中心线或边缘上设置初始的种子像素点，再基于该初始种子点，根据局部区域的视觉信息沿着血管中心线跟踪出整个血管树。由于视网膜血管是连续的，所以使用追踪的方法能够在图像存在噪音情况下分割出整个血管树，该方法为许多全身性疾病提供了较为准确的分支信息。Yin 等人[5]提出一种基于概率跟踪的分割方法，该方法考虑到血管边缘对整个视网膜图像的影响，采用以最大后验（MAP）为准则的贝叶斯方法迭代地检测血管边缘点。

2.3 基于数学形态学的分割方法

基于数学形态学的分割方法利用视网膜中的是线性连接的这一事实进行血管分割，其优点是速度较快、抗噪性较好，缺点是对高度弯曲的血管模拟性较差。Fraz 等人[6]提出了一种识别血管中心线和血管树的血管分割方法，该方法利用高斯滤波器的一阶导数和多阶形态顶帽变换对血管进行分割。该方法的局限性是难以对高度弯曲的血管建模。Imani 等人[7]结合形态学成分分析技术（MCA）和Morlet 小波变换技术将血管从其他病变结构中分离出来，再通过Morlet 小波变换来增强视网膜血管，通过自适应阈值获得最终的血管图。该方法对存在噪声的视网膜血管图像中有较强的鲁棒性。汪维华等人[8]提出一种修正的形态学的分方法，该方法能够消除部分因为光照原因对分割结果的影响。

2.4 基于阈值分割的方法

在基于阈值的血管图像分割算法中，Roychowdhury 等人[9]提出一种能够有效对病理视网膜血管进行分割和对细小血管进行分割的方法。该方法采用了迭代血管分割的方法，提出了一种全局自适应阈值和新的停止准则。Temitope 等人[10]提出一种基于GLCM 能力信息的局部自适应阈值分割方法，该方法为灰度的视网膜图像和绿色通道的视网膜图像提供了一个鲁棒性分割的实例。

2.5 基于模型的分割方法

基于模型的方法包括血管剖面模型和可变形模型。在血管剖面模型中，血管横截面强度剖面被建模为高斯曲线。在可变形模型中，采用了主动轮廓法和基于水平集的方法。Xiao 等人[11]提出了一种考虑空间信息的贝叶斯血管分割方法，该方法在检测狭窄或者对比度较低的血管方面性能更好。Gonzalez 等人[12]提出了一个视网膜血管和视盘分割的联合框架，该方法是采用图形切割技术对血管树进行分割，然后采用马尔科夫随机场图像重建和补偿因子法对视盘进行分割。张恒义等人[13]提出了一种非线性图像处理方法对视网膜图像进行分割。

表2 展示的是几种典型无监督视网膜血管图像分割方法的分割性能。观察表1 可知，总体而言，基于无监督的视网膜血管图像分割方法的总体性能能够优于第二专家手工分割效果，但是在特异性方面还有待提高。在分割性能方面，梁恩慧等人[4]提出的方法在敏感性Se 方面表现较好，在两个数据集上分别达到了0.8248 和0.8874，这就说明该方法对细小血管或者分支血管的分割较为有效。汪维华等人[8]提出的算法虽然在特异性Sp 方面表现较好，但是由于该方法的敏感性较差，所以不太适合应用在实际的医疗诊断中。在总体分割性能方面，基于匹配滤波的分割方法的总体性能优于其他无监督方法，而基于血管追踪方法和基于形态学的分割方法的分割性能一般。

3 基于有监督的分割技术

基于有监督的分割方法在训练时需要对应的血管图共同参与训练。通常需要从训练图像中选取较为关键的特征作为向量进行训练。一般地，有监督的视网膜血管图像分割方法有K 近邻、支持向量机（SVM）、神经网络、高斯混合模型、AdaBoost、随机条件场和近些年发展起来的卷积神经网络（CNN）方法等。一般情况下，有监督的分割方法包括基于传统有监督的分割方法和基于CNN 的分割方法。在效果方面，有监督方法的分割效果总体上优于无监督分割方法，训练具体流程如图2 所示。

图2 有监督方法的训练流程

3.1 基于传统有监督的分割方法

Fraz 等人[14]提出了结合梯度向量场方向分析、血管形态变换和Gabor 滤波相应等多种特征进行血管提取的性方法，然后利用决策树对像素进行分类，该方法能够在多个数据集上进行血管分割。Orlando 等人[15]首次提出了基于条件随机场的视网膜血管分割方法，该方法使用结构化输出SVM 以监督的方式训练完全连接的条件随机场，能够解决较差的分割问题。视网膜血管中的小血管在中风和阿尔兹海默症等微血管疾病的诊断方面也有重要的作用，但是存在着小血管分割比较困难的问题，Dai 等人[16]提出了一种基于局部灰度统计的灰色投票技术，该技术增强了小血管结构，区域小血管的分割起着关键作用。

3.2 基于卷积神经网络的分割方法

随着深度学习技术的成功应用，卷积神经网络成为解决医学图像问题的一种可行高效的方法。在此背景下，Wang 等人[17]提出了利用随机森林和CNN 相结合的视网膜血管图像分割方法。Li 等人[18]提出了一种使用深度自动编码器的跨模态方法，利用深度神经网络模拟视网膜图像与血管图像之间的关系，该方法在病理图像和细小血管图像分割方面有较好的性能。Liskowski 等人[19]提出了一种深层神经网络模型，该方法能够达到0.99 的AUC，这个结果明显优于目前的其他方法，该方法在病理图像方面也有较强的分割性能，并且在血管中间反射的情况下也能获得较强的分割鲁棒性。梁礼明等人[20]提出了自适应信息的U-net 网络结合对视网膜血管图像分割，该方法在U-net 中加入了密集可变卷积和金字塔型空洞卷积操作来提升分割性能。吴晨玥等人[21]提出一种使用CNN 方法进行视网膜血管分割的方法，该方法将残差学习和密集连接加入到网络中，使得网络能够获得较好的分割性能。

表2 无监督分割方法的性能比较

生成对抗网络（GAN）是由一个生成器网络和判别器网络组成的对抗博弈网络。Lahiri 等人[22]提出了一种基于生成对抗网络的半监督语义分割方法，该方法的训练对象是图像块，并将生成的图像块作为负样本共同参与训练，该方法的分割速度较快，并且分割结果优于CNN 方法的分割效果。Son 等人[23]也使用GAN方法做了视网膜血管图像和视盘的分割，该方法在ROC 曲线和PR 曲线上都取得较好的分割效果。

表2 展示了各种典型有监督方法的性能比较情况。观察表3 可知，有监督方法在视网膜血管图像分割方面能够达到较高的Se、Acc 和AUC，特别是使用卷积神经网络的分割方法。Son 等人[23]方法表现得更加突出，特别是在敏感性Se 方面能够达到0.83，超过了其他有监督分割方法。梁礼明等人[20]和吴晨玥等人[21]提出的分割方法都是基于CNN 的分割方法，并且所用的网络都是U-Net 网络模型的变形，这说明了U-Net网络模型较适合图像分割。总体而言，基于有监督的分割方法在视网膜分割方面能够取得更好的性能。

4 结语

本文介绍了视网膜血管图像分割的相关算法，对每类算法的典型算法进行介绍，最后进行效果比较与分析。通过观察各类方法的分割性能，可知基于有监督的分割方法的性能整体优于基于无监督方法的性能，尤其是基于深度学习方法的分割效果更好。尽管视网膜血管图的分割技术已经取得较好的进展，但是分割效果和精度还存在着提升空间。神经网络虽然有较强的拟合能力，但是在病例图像分割方面的分割性能还有待提高，将血管的形态学特性和深度学习方法相结合的方式也许能够使算法的分割性能会更好。

表3 有监督方法的性能比较