高度近视眼底图像中RBCC损伤的自动分割与分析

高度近视眼底图像中RBCC损伤的自动分割与分析

魏善强 孙艳霞

哈尔滨理工大学 荣成学院 山东 荣成

摘 要本文主要通过深度学习和图像处理技术，对色素上皮膜和脉络膜的毛细血管复合体进行分析，旨在提高分割精度的同时，降低现有分割算法的复杂度，实现眼底图像的判断和分类，对于及时发现高度近视起到了非常大的作用。

关键词：血管分割；深度学习；图像处理技术；U-Net

一、基于多特征模块聚合的深度学习模型设计

本文所用到的网络模型为U-Net和FCN 神经网络模型。FCN网络结构，是在传统的CNN中引入了新的卷积层代替了传统神经网络中最后的全连接层形成的。这种改进使网络能够通过反卷积对特征图进行采样，对于图像进行分类。基于传统的U-Net，引入了特征聚合下采样模块（FAPM）和密集语义流监督模块（DSFSM）。可以用于减少编码器下采样过程中小目标信息的损失，同时能够加快网络的收敛速度。

FSS-Net的U形结构如图1所示，其核心是以U-Net为基础的进一步扩展的FSS-Net作为主干网络。网络整体为U型结构，并加入了一种新的下采样模块和新的深监督模块。

图1  基于多特征模块聚合的FSS-Net网络模型

FSS-Net 网络是一个经典的全卷积网络（CNN）（即网络中没有全连接操作）。网络的输入是一张边缘经过镜像操作的图片。左侧压缩路径和右侧扩展路径的尺寸不一样，FSS-Net是通过将压缩路径的尺寸裁剪到和扩展路径相同的尺寸进行归一化的。

二、实验环境与模型训练

本文在DRIVE数据集上进行实验，以PyTorch为开发框架，实验平台是Ubuntu 18.04操作系统，硬件配置为NVIDIA GeForce 3090，内存大小为64GB，使用的编程语言为python，版本为python 3.11.4，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0.0001，动量为0.9，网络训练迭代次数（epoch）为500，Batch size设置为16，采用Adam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

为了对RBCC进行相应的分割分析进行全面、客观且定量的评价，因此选择Dice相关系数、Jaccard指数和灵敏度（Sensitivity）作为评价指标。通过这样的评价体系，可以更好的反映分割结果与相关标准之间的相似和差异性。

四、实验与分析

为了验证本文提出模型的有效性，我们将相关的网络结构:U-Net网络、FAPM、DSFSM 与本文改进后的网络模型在数据集上进行对比实验，实验对比效果如表1所示

表1 网络分割性能展示

通过4例消融实验，U-Net基准网络的预测图中漏分割现象严重，基准网络使用传统的下采样模式以及编解码特征信息融合方式不适合小目标分割。再加入FAPM和DSFSM模块后预测图中漏分割逐渐减少，对于医学的诊断会起到一定的作用。

参考文献：

[1]Wu Y，Xia Y，Song Y，et al.Vessel-Net:retinal vessel segmentation under multi-path supervision. [C]// In International Conference on Medical Image Computing and Computer-Assisted Intervention,2019:264-272

[2]江弘久.高度近视眼底图像中条纹状损伤的分割与检测.[D],苏州大学2019.[doi:10.27351/d.cnki.gszhu.2019.000843]

作者简介：魏善强（2004.09），男，山东省泰安人，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业训练计划项目:高度近视眼底图像中RBCC损伤的自动分割与分析系统，NO.S202410214119X）

姓名：魏善强

单位及邮编：哈尔滨理工大学，264300

第二作者：孙艳霞  哈尔滨理工大学，264300

（黑龙江省大学生创新创业训练计划项目

:高度近视眼底图像中RBCC损伤的自动分割与分析系统，NO.S202410214119X）