基于U型卷积网络的视网膜血管分割方法

秦晓飞，郑超阳，陈浩胜，李 夏，何致远

（1.上海理工大学 光电信息与计算机工程学院，上海 200093；2.上海理工大学 机械工程学院，上海 200093）

引 言

视网膜血管分割是眼底图像定量分析的关键步骤。通过对视网膜血管的分割，可以得到视网膜血管树的相关形态学信息（如血管的曲率、长度、宽度）。此外，视网膜血管的血管树具有独特的特征，也可用于生物识别领域。因此，视网膜血管的准确分割具有重要意义。

视网膜血管分割的第一步是分割图像中与血管相对应的区域。在形式上，血管分割是一个二值分类问题，它具有如下挑战：首先，眼科医生需要手工标注每张眼底图像中的每一条血管，对从业者的专业技能要求极高，导致现有的数据集比较小，通常只有20～40张图像；其次，需要对每张图像进行数十万甚至数百万像素的分类，并将附近像素的标签进行关联。

近年来，深度卷积神经网络在计算机视觉领域广泛应用。然而，由于上述的挑战，训练一个泛化能力强的深度网络来分割视网膜图像并不简单。将深度学习应用于该领域的两种主要策略是：1）将每幅图像分割成小块，最大限度地增加训练样本的数量；2）将传统卷积层与上采样相结合，学习局部和全局特征。以U-Net[1]为代表的网络正是由于采用了第二种策略而取得了最新的成果。

研究表明，U-Net和其他基于深度学习的方法更倾向将模糊的像素分类为背景。尽管这些方法可以分割模糊的血管以及位于较厚血管边缘的像素，但却低估了单个血管的宽度，以及大血管与小血管的比例。……