基于AFU-Net的眼底视网膜血管的分割

武芳，王鸿雁

（江苏卫生健康职业学院临床医学院，南京 210086）

0 引言

视网膜具有丰富的血管信息，血管的形态结构对青光眼、糖尿病等疾病的诊断有重要意义，对视网膜血管的分割可以辅助眼科医生进行疾病诊断。眼底图像数量多，图像细节丰富，噪声和光照情况都会影响医生的分割结果，导致人工分割效率低，主观影响大，因此研究基于计算机辅助的眼底血管自动分割是当前热点。

1 AFU-Net网络

1.1 数据准备

本研究选用眼底公开数据集DRIVE，包含40张彩色眼底图像，及其对应的标签图像和边框图像，其中20张为训练集，20张为测试集。为了增加数据集数据，避免过拟合，首先对DRIVE的训练集进行了扩充：对20组图像执行旋转操作，每次旋转30°，最后将训练数据集扩充为240组图像。有研究者证明，在图像真彩色的三个分量中，绿色分量（G）中的血管对比度最高，本研究也沿用该方法。提取绿色分量后，图像由三通道变为单通道，通过标准化、对比度受限的自适应直方图均衡化和局部自适应Gamma矫正，提高泛化能力、增强对比度、去除光照干扰［1］。然后再将原565×584尺寸裁剪为565×565，方便对其随机提取，提取的图像尺寸为48×48。

1.2 AFU-Net网络

AFU-Net网络是对U-Net网络［2］的改进，结构如图1所示，为了减少细节损失，编码阶段网络采用两次下采样，卷积块由两次卷积组成，每次卷积后进行批量归一化和ReLU激活，中间加入随机失活层（Dropout）操作防止过拟合，同时为了提高特征复用，在上采样的卷积块中使用了密集连接［3］。另外，下采样中的最大池化用padding为valid的2×2卷积替换，同时通道数翻倍，减少由池化造成过多细节的丢失。在上采样环节，借鉴特征金字塔（feature pyramid networks，FPN）［4］的思路，将不同上采样阶段的特征再融合。

图1 AFU-Net网络结构

1.3 双向注意力机制

在跳连环节采用双向注意力通道，融合不同层级的特征。注意力机制［5］根据损失函数自动学习特征通道的权重，然后依照获得的权重去提升有用的特征通道并抑制无效或效果小的特征通道，通过SE（squeeze and excitation）实现。原网络跳连是将编码和解码信息无差别融合，去噪声干扰的能力不强，双向的注意力机制将编码和解码中的重要信息同时提取，能够提高对小细节及模糊部位信息的提取能力。如图2所示，图中x和y分别为编码层和解码层对应跳连部分的输出。以图中上层注意力机制说明，编码层的输入特征图x经过全局最大池化后，重排列为1×1×C，此操作为Squeeze，捕获全局信息。再将通道收缩为C/r，其中r为收缩的比例，提高网络的非线性能力，是超参数。再通过1×1卷积将通道数量恢复为C，然后将其与解码层的输入特征图y逐通道相乘，输出重新标定后的特征图，最后将双向标定后的特征堆叠输出。若x和y相同，则是自注意力，通过实验证明注意力比自注意力分割性能更好，具体数据在实验部分展示。

图2 双向注意力机制

2 实验结果

2.1 运行环境

本实验基于分布式数值计算库TensorFlow，和高层深度学习API Keras，电脑配置为64位Windows 10操作系统，CPU主频3.00 GHz，内存32 GB，显卡为NVIDIA GeForce GTX 1080 6GB。优化器为Adam，学习率为10-4时网络稳定收敛，为10-3时后期震荡严重，所以选择为10-4，损失函数采用交叉熵（categorical_crossentropy），批尺寸为32。

2.2 评价指标

为了与其他研究者的算法相比较，本实验使用准确率、精确率、F1值、特异性和灵敏度这几个常用的评价指标评估模型的性能，公式如表1所列。

表1 评价指标及公式

表中TP表示输出的是血管区域，实际也是血管区域；TN表示输出是背景区域，实际上也是背景区域；F P表示输出是血管区域，实际上是背景区域；FN表示输出是背景区域，实际是血管区域。另外还有A U C为ROC曲线下的面积，面积越大，分割结果越好。

2.3 实验过程

（1）根据双向互注意力机制中超参数r的选取对网络性能的影响，选取最优r值。实验结果比较如图3所示，从图中可以看出，对于有病灶的血管的分割，经有多年影像诊断经验的医生确认，r=16时对细小血管分割及平滑效果更好一些，所以在其他实验中均另r=16。

图3 不同超参数r的实验结果

（2）对于单向注意力机制和双向注意力中的输入特征图的选取，对x和y相同与不同的结果进行比较，数据对比如表2，后续实验的双向注意力选择x≠y的结构。

表2 注意力机制相关实验数据

（3）密集连接加入位置的实验对比如表3所示，仅在上采样中加入密集连接分割效果较好，可能是下采样环节中使用密集连接的同时把噪声信息也传递的原因，后续实验选择在上采样环节加入密集连接。

表3 密集连接放置位置实验数据

（4）对不同模块加载过程进行实验，a为UNet结构，b为卷积替换池化，c为特征金字塔，d为双向注意力，e为上采样环节加入密集连接，相关的评价指标对比如表4。

表4 不同模块对实验结果的影响

2.4 实验结果

在DRIVE数据集中对实验结果进行比较、评估。与其他研究者的局部血管分割效果对比，如图4可见本文在细小血管提取方面有明显的优势，由图5可见，对于病灶较严重处血管分割效果，也基本上能把血管与病灶分离。

图4 局部血管分割效果对比

图5 病灶较严重处血管分割效果

表5 本文结果与其他作者的分割结果及第二专家的结果进行对比

3 结语

本文提出了一种AFU-Net网络自动分割方法，利用卷积替换最大池化，融入密集连接、双向注意力机制和特征金字塔，实验证明，该网络有较高的准确率和特异性，能够较好的分割细小血管和病灶区域。该网络的灵敏度稍低，接下来将着重于灵敏度和分割速度的提高，进一步提升网络性能。