基于特征选择与融合的 U-Net 的视杯视盘自动分割方法

 基于特征选择与融合的 U-Net 的视杯视盘自动分割方法

吕渝洋 富野

哈尔滨理工大学 荣成学院 山东 荣成

摘 要： 青光眼是一种严重的致盲性眼病，准确分割视杯和视盘对于青光眼的诊断和监测至关重要。本文提出了一种基于特征选择与融合的 U-Net 方法，用于自动分割视杯和视盘。该方法首先通过特征选择算法从原始图像中选择出与视杯和视盘分割相关的特征，然后将这些特征融合到 U-Net 网络中，以提高分割的准确性。实验结果表明，该方法在视杯和视盘分割任务中取得了较好的性能，为青光眼的诊断和监测提供了一种有效的工具。

关键词：深度学习；青光眼；分割

一、基于特征选择与融合的深度学习模型设计

本文主要的网络为 U-Net 和特征选择模块。首先，引入特征选择模块，在传统的 U-Net 结构之前对输入的视网膜图像数据进行预处理。这个特征选择模块利用先进的算法，从视网膜图像中挑选出对青光眼诊断最为关键的特征，它们都是判断青光眼存在与否的重要指标。

图 1 展示了本网络模型的具体架构，其核心是以经过特征选择后的输入来驱动改进的 U-Net。U-Net 采用对称的编码器-解码器结构进行特征提取。在编码器部分，通过一系列的卷积层和下采样操作，逐步提取不同层次的特征，能够捕捉到从低级的图像细节到高级的语义信息。对于低层特征，可关注到视网膜的细微结构变化。在解码器部分，通过上采样操作逐步恢复图像的分辨率，并与编码器相应层的特征进行融合。

此外，网络采用融合策略，将不同层次、不同类型的特征进行融合。通过巧妙设计的连接方式，将编码器和解码器不同阶段的特征进行有机结合。这种融合操作使得网络能够同时利用低级特征的细节信息和高级特征的语义理解，提高对青光眼的诊断准确性。

最后，经过融合后的特征通过最后的卷积层和分类器进行处理，输出青光眼诊断的结果。这个模型通过特征选择与融合，能够充分发挥 U-Net 的优势，为青光眼的准确诊断提供有力的支持。

图1  基于特征选择与融合的 U-Net的网络模型

二、实验环境与模型训练

本文在DRISHTI-GS上进行实验，选择 TensorFlow 为开发框架，实验平台是 Windows 10 操作系统，硬件配置为 NVIDIA GeForce RTX 3070 GPU，内存大小为 32GB，使用的编程语言为 python，版本为 python 3.8，所有实验均在带有 GPU 的服务器上进行。训练过程中，学习率设置为 0.00005，网络训练迭代次数（epoch）为 800，batchsize 设置为 32，采用 RMSprop 优化方法自适应调整学习率进而达到权重参数的更新。

三、评价指标

由于本研究针对的是视杯视盘自动分割，涉及到不同的分割准确性要求，因此选择 Dice 系数、Jaccard 指数、准确率、召回率作为评价指标。通过这样的评价体系，可以更全面地了解模型在视杯视盘分割任务上的性能。

四、实验与分析

为了验证本文提出模型的有效性，我们将传统u-net与本文改进后的网络模型在本文数据集上进行对比实验，实验对比效果如表1所示

表1 网络分类性能展示

综上所述，基于特征选择与融合的 U-Net 方法在视杯视盘分割任务中相比传统 U-Net 具有更高的准确性可以为后续的临床诊断和分析提供更可靠的结果，从整体上看可能具有更高的实用价值。

参考文献：

[1]Litjens, G., Kooi, T., Bejnordi, B. E., Setio, A. A. A., Ciompi, F., & Ghafoorian, M., et al. (2017). "A Survey on Deep Learning in Medical Image Analysis". Medical Image Analysis, 42, 60-88.

[2]GCNet: Non-local Networks Meet Squeeze-Excitation Networks and Beyond.

作者简介：吕渝洋（2005.04—），女，山东省青岛人，汉族，本科在读，研究方向：计算机视觉。

项目资助：（黑龙江省大学生创新创班训练计划项目：青光眼图像辅助治疗诊断研究）