基于U型网络复合特征的视网膜血管分割方法

孟 颖 田启川 吴施瑶

(北京建筑大学电气与信息工程学院 北京 100044)(建筑大数据智能处理方法研究北京市重点实验室 北京 100044)

0 引 言

在医学临床应用中，通过对视网膜血管的数量、宽度、长度、分支、曲度、血管走向角度等进行分析，能够帮助医生诊断患者是否患有高血压、青光眼、动脉硬化或心血管疾病。然而，目前眼底图像的血管结构主要由专家手动标记得到，整个过程耗时耗力[1]。因此，实现视网膜血管的自动检测与分割，对计算机辅助诊断各种眼底疾病具有重要的研究和应用价值。

眼底血管自动分割方法主要分为无监督方法和有监督方法两类[2]。无监督的方法依赖于人为规定的特征属性以及属性间的内在联系来区分视网膜上的血管和背景信息，主要包含匹配滤波方法、形态学处理法和血管定位跟踪方法等。如：文献[3]通过K均值聚类法构建标号场，并利用马尔可夫随机场理论计算后验概率，不断更新标号场，以获取最优的分割结果；文献[4]在不同尺度的视网膜高斯匹配滤波基础上采用双阈值的方法进行眼底图像血管分割。虽然很多无监督的方法都获得了不错的分割精度，但是这类方法往往需要与其他方法相配合，并且不能自动识别血管的变化趋势，具有一定的局限性。

在监督学习算法中，随着深度学习技术的不断发展，以FCN(Fully Connected Neural network)、U-Net(Unity Networking)、Dense-Net(Densely Connected Convolutional network)等为基础的特征提取方法已经被广泛地应用于视网膜血管分割任务中[5-7]。FCN是基于图像语义分割问题提出的经典网络结构，可以实现图像端到端、像素级的分类，但是随着网络深度增加，伴随着大量细节信息丢失的问题，不利于视网膜血管的分割。……