基于U-Net神经网络眼底图像的视盘分割研究

曾 锟，郭学东，黄铭斌，许祥丛，杨旭伦，张 浩，陈允照，陈 勇

（1.佛山科学技术学院 机电工程与自动化学院，广东 佛山 528200；2.佛山科学技术学院 物理与光电工程学院，广东 佛山 528200）

图1 视盘视杯结构图Fig.1 Optic disc cup structure chart

0 引言

眼底图像中的视盘在青光眼筛查和诊断中起着重要作用，青光眼的早期发现有助于显著降低不可逆性视力丧失的风险[1]。青光眼通常会导致视盘形状、颜色和视网膜厚度发生变化，主要表现为视盘的中心亮区域（视杯）扩增，临床上最常使用的诊断指标是视盘视杯垂直比（CDR），简称杯盘比，越大的杯盘比预示着更大的青光眼患病风险；在实际临床判断中，眼底图像的杯盘比CDR大于0.65这一阈值常被判定为青光眼[2]。计算的杯盘比越准确，对青光眼眼部疾病的诊断筛查就越有利，而准确的杯盘比，依赖于眼底图像视盘的精确分割，因此，眼底图像视盘的精确分割极为重要。眼底图像视盘视杯结构图如图1所示。

在过去的传统方法中，Aquino等人[3]采用形态学边缘检测方法分割视盘边界，赵圆圆等人[4]使用基于水平集的CV模型约束边界梯度对视盘进行分割，赵晓芳等人[5]使用Sobel算子对视盘进行边缘提取，随后使用霍夫变换检测圆来获取视盘轮廓。这些方法实现简单，但由于每张眼底图像的亮度不一样，加上临床研究表明视盘是垂直高度比水平高度大约长7%～10%的近似椭圆[6]，所以利用形态学、圆形霍夫变换等技术并不能精确地分割视盘，而且霍夫变换的计算量大，导致分割慢、效率低。……