楊帆，陳睿詩，莫陽，繆月紅，段平，谷浩，王麗會(huì)

(1.貴州醫(yī)科大學(xué) 生物與醫(yī)學(xué)工程重點(diǎn)實(shí)驗(yàn)室，貴州 貴陽 550004； 2.貴州醫(yī)科大學(xué) 生物與工程學(xué)院 生物醫(yī)學(xué)工程教研室，貴州 貴陽 550004； 3.貴州醫(yī)科大學(xué)附院 眼科，貴州 貴陽 550004； 4.貴州大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 貴州省智能醫(yī)學(xué)影像分析與精準(zhǔn)診斷重點(diǎn)實(shí)驗(yàn)室，貴州 貴陽 550025)

目前，視網(wǎng)膜眼底圖像已經(jīng)廣泛用于視網(wǎng)膜病變、糖尿病性視網(wǎng)膜病變等診斷。青光眼是視神經(jīng)受損導(dǎo)致視力下降的一種疾病，一旦發(fā)病幾乎不可能完全治愈，但是及時(shí)的早期診斷及治療可以有效控制青光眼對視力的影響[1]。對于青光眼的診斷，可以通過眼底圖中視杯和視盤垂直直徑的比值作為診斷指標(biāo)[2]，臨床上多采用目測方法得到比值，不同醫(yī)生得到結(jié)果存在差異；為了得到精確比值，可以借助計(jì)算機(jī)圖像處理技術(shù)自動(dòng)實(shí)現(xiàn)視盤的定位、視盤及視杯分割，而關(guān)鍵步驟是視盤的定位與分割，以往對視盤定位的方法是假設(shè)視盤是圖像中最亮的區(qū)域，通過尋找最大像素的位置確定視盤[3]，但該方法不適合對比度較低的圖像。對于視盤分割過去采用水平集方法[4-5]，但此類方法對于初始曲線放置位置有較高要求，如果視盤中含有大量血管，算法魯棒性低。最近幾年，深度學(xué)習(xí)方法被廣泛用于醫(yī)學(xué)圖像的分割[6-14]，其中U-Net深度學(xué)習(xí)法對于醫(yī)學(xué)圖像分割有較高的精度[15-16]。與過往的方法相比，深度學(xué)習(xí)法不需要對圖像做任何假設(shè)和預(yù)處理，僅需要提供訓(xùn)練圖像和標(biāo)記圖，通過網(wǎng)絡(luò)訓(xùn)練即可得到較好的分割結(jié)果，本研究在此基礎(chǔ)上，提出兩步U-Net網(wǎng)絡(luò)訓(xùn)練深度學(xué)習(xí)法，分別實(shí)現(xiàn)視盤的定位及分割。

1 材料與方法

1.1 主要材料

本文視盤定位數(shù)據(jù)采用了貴州醫(yī)科大學(xué)附院眼科視網(wǎng)膜病變眼底圖，共915張。視盤分割數(shù)據(jù)采用Messidor數(shù)據(jù)庫[17]，該數(shù)據(jù)庫包含1 200張彩色視網(wǎng)膜病變圖像，以及每張圖像對應(yīng)的視盤邊界標(biāo)記圖。數(shù)據(jù)庫中圖像有3種尺寸，分別為1 440×960、2 240×1 488及2 304×1 536像素。

1.2 方法

1.2.1主要算法流程 本文算法主要基于U-Net網(wǎng)絡(luò)，其中算法分為2步，第1步將原圖輸入U(xiǎn)-Net #1網(wǎng)絡(luò)，通過網(wǎng)絡(luò)訓(xùn)練確定視盤在圖像中的位置；第2步根據(jù)視盤位置提取80×80的視盤區(qū)域圖像，輸入U(xiǎn)-Net #2網(wǎng)絡(luò)用于視盤分割訓(xùn)練，將得到的視盤二值圖邊界標(biāo)記在原圖實(shí)現(xiàn)視盤的分割(圖1)。

圖1 視盤定位與分割算法主要流程Fig.1 The flow chart of Optic disk positioning and segmentation algorithm

1.2.2U-Net網(wǎng)絡(luò)結(jié)構(gòu) 研究中采用的U-Net網(wǎng)絡(luò)模型呈U型結(jié)構(gòu)，主要由卷積層、激活層、池化層、反卷積層等結(jié)構(gòu)組成，圖2顯示了算法第1步中的U-Net #1網(wǎng)絡(luò)模型。輸入圖像為256×256的彩色圖像，除了最后一層卷積層濾波器尺寸為1×1之外，其余所有卷積層濾波器尺寸為3×3，并且步長(stride)為1，補(bǔ)零(padding)為1；此外，3×3卷積層之后添加線性整流激活函數(shù)(rectified linear unit,ReLU)[18]增加網(wǎng)絡(luò)模型的非線性。網(wǎng)絡(luò)中下采樣階段使用的池化層為2×2的最大池化，上采樣階段使用步長為2，濾波器尺寸為2×2的反卷積將圖像恢復(fù)為輸入圖像尺寸；然后通過歸一化指數(shù)函數(shù)(softmax)得到每一類像素的概率值，并使用帶權(quán)重的交叉熵函數(shù)計(jì)算網(wǎng)絡(luò)的損失函數(shù)值(loss)。U-Net #2網(wǎng)絡(luò)模型和第1步采用網(wǎng)絡(luò)模型相同，唯一區(qū)別是輸入圖像為80×80的視盤區(qū)域圖像，輸出為80×80的視盤二值圖。

圖2 U-Net #1網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 U-Net #1 network architecture

1.2.3數(shù)據(jù)處理 由于U-Net網(wǎng)絡(luò)要求輸入圖像尺寸相同，Messidor數(shù)據(jù)庫中的圖像通過Matlab 2018a軟件處理重新插值為256×256像素。Messidor數(shù)據(jù)庫中900幅用于網(wǎng)絡(luò)模型訓(xùn)練，300幅用于網(wǎng)絡(luò)模型測試。圖3分別顯示了算法第1步和第2步中用于訓(xùn)練的眼底圖及視盤標(biāo)記圖，其中第2步訓(xùn)練圖和標(biāo)記圖是根據(jù)第1步標(biāo)記圖中視盤中心位置截取80×80像素區(qū)域而得。標(biāo)記圖中白色區(qū)域像素值為2，黑色背景區(qū)域像素值為1。由于深度學(xué)習(xí)中需要大量的數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)模型訓(xùn)練，訓(xùn)練集通過水平垂直鏡像、旋轉(zhuǎn)、高斯模糊等手段擴(kuò)增為14 400幅圖像。因此算法第1、2步中實(shí)際訓(xùn)練集為14 400幅圖像。

注：A為256×256像素眼底圖，B為256×256像素視盤標(biāo)記圖，C為80×80像素視盤區(qū)域圖像，D為80×80像素視盤區(qū)域標(biāo)記圖。圖3 眼底圖及視盤標(biāo)記圖Fig.3 Fundus image and labeled optic disk image

1.2.4實(shí)施細(xì)節(jié) 第1步中U-Net #1網(wǎng)絡(luò)訓(xùn)練每次輸入圖像為36幅，400次訓(xùn)練完成一個(gè)時(shí)期(epoch)，當(dāng)loss及精度不再增加時(shí)停止訓(xùn)練(大約50個(gè)epoch)；然后使用該訓(xùn)練好的模型檢測測試集圖像中的視盤位置，截取80×80像素視盤區(qū)域用于第2步中U-Net #2網(wǎng)絡(luò)測試。第2步中網(wǎng)絡(luò)訓(xùn)練同樣每次輸入36幅圖像，50個(gè)epoch后當(dāng)loss不再降低時(shí)停止訓(xùn)練。網(wǎng)絡(luò)初始學(xué)習(xí)率為0.05，每10個(gè)epoch下降為原來0.2倍。訓(xùn)練過程中使用深度學(xué)習(xí)平臺(tái)為Matlab 2018a，CPU為i7-7700 K，內(nèi)存64 g，顯卡為GTX 1080 Ti。

1.2.5數(shù)據(jù)評估方法 采用了準(zhǔn)確率、Dice系數(shù)、Jaccard系數(shù)、敏感性、特異性指標(biāo)評估實(shí)驗(yàn)結(jié)果，用真陽性(TP)、真陰性(TN)、假陽性(FP)及假陰性(FN)計(jì)算上述指標(biāo)。計(jì)算方法如下：準(zhǔn)確率= (TP+TN)/(TP+TN+FP+FN)，Dice系數(shù)=2TP/(2TP+FP+FN)，Jaccard系數(shù)=TP/(TP+FP+FN)，敏感性=TP/(TP+FN)，特異性=TN/(TN+FP)。

2 結(jié)果

2.1 視盤定位及分割

由于本院眼底數(shù)據(jù)沒有提供分割結(jié)果，該數(shù)據(jù)主要用于視盤定位。915幅圖像全部用于測試，視盤定位準(zhǔn)確率為87.10%。圖4顯示了部分視盤定位準(zhǔn)確的圖像及其分割結(jié)果，圖5顯示了部分未定位視盤圖像。此外，對Messidor數(shù)據(jù)庫中300張測試圖像進(jìn)行視盤定位，定位準(zhǔn)確率為100%。圖6顯示該數(shù)據(jù)庫部分視盤定位及分割圖像，其中綠色十字符號標(biāo)記了視盤在圖像中的位置，藍(lán)色線條為實(shí)際分割曲線，綠色線條為真實(shí)視盤邊界曲線。

注：A行為視盤定位圖像，B行為對應(yīng)眼底圖視盤分割結(jié)果；綠色十字符號標(biāo)記了視盤在圖像中的位置，藍(lán)色線條為實(shí)際分割結(jié)果。圖4 醫(yī)院數(shù)據(jù)視盤定位及分割結(jié)果Fig.4 Optic disk localization and segmentation from the hospital's images

注：A未見視盤，B低對比度的視盤和眼底背景，C視盤殘缺。圖5 未定位視盤圖像Fig.5 Optic disk images without localization

注：A列圖像為原圖，B列為U-Net #1網(wǎng)絡(luò)輸出結(jié)果，C列為視盤定位圖，D列為U-Net #2網(wǎng)絡(luò)輸出結(jié)果，E列為最終分割結(jié)果。圖6 Messidor數(shù)據(jù)視盤定位及分割結(jié)果Fig.6 Optic disk localization and segmentation from Messidor database's images

2.2 統(tǒng)計(jì)結(jié)果

如表1所示，Messidor數(shù)據(jù)庫中300幅測試圖像視盤分割的平均準(zhǔn)確率、Dice系數(shù)、Jaccard系數(shù)、敏感性、特異性及平均單幅圖像處理時(shí)間指標(biāo)，分別為97.38%、0.919 4、0.854 9、0.995 9、0.970 0及0.25 s。

表1 評估指標(biāo)統(tǒng)計(jì)結(jié)果比較Tab.1 Comparison of statistic results of evaluation parameters

注：“-”表示結(jié)果未給出。

3 討論

視盤的定位及分割是實(shí)現(xiàn)眼底圖像自動(dòng)分析的重要環(huán)節(jié)，特別是對于青光眼疾病的智能診斷。本文采用深度學(xué)習(xí)方法對視盤進(jìn)行定位及分割。對于視盤定位，從醫(yī)院采集數(shù)據(jù)定位準(zhǔn)確率為87.10%。部分圖像未定位的一個(gè)原因是圖像中未見視盤、視盤和眼底背景對比度低以及視盤殘缺。另外一個(gè)原因是研究中采用的訓(xùn)練數(shù)據(jù)來自Messidor數(shù)據(jù)庫，其中數(shù)據(jù)均含有視盤，且對比度高，沒有視盤殘缺的情況，因此使用該數(shù)據(jù)訓(xùn)練的網(wǎng)絡(luò)模型去測試時(shí)，會(huì)出現(xiàn)檢測不到視盤的情況。進(jìn)一步改善視盤定位精度，可以通過增加此類數(shù)據(jù)到訓(xùn)練集中進(jìn)行網(wǎng)絡(luò)訓(xùn)練。而Messidor數(shù)據(jù)庫中的圖像，本文算法視盤定位精度達(dá)到100%，高于其它方法。

對于視盤，在第1步視盤精確定位基礎(chǔ)上，利用U-Net #2網(wǎng)絡(luò)實(shí)現(xiàn)了視盤的分割。從結(jié)果可以看出實(shí)際分割線條和真實(shí)視盤邊界曲線相似，分割結(jié)果較好。另外從統(tǒng)計(jì)結(jié)果可以看出，本文算法各項(xiàng)評估指標(biāo)保持較高水平。雖然視盤分割準(zhǔn)確率、Dice系數(shù)、Jaccard系數(shù)略低于文獻(xiàn)[22]中的結(jié)果，但敏感性和平均處理時(shí)間遠(yuǎn)高于其它方法。特別是短的處理時(shí)間，對于實(shí)時(shí)處理數(shù)據(jù)有極大的幫助。此外，研究中只采用了900幅圖像用于訓(xùn)練，雖然通過圖像擴(kuò)增到14 400幅，但對于深度學(xué)習(xí)方法遠(yuǎn)遠(yuǎn)不夠，還需要繼續(xù)增加訓(xùn)練數(shù)據(jù)。

對于本文算法，主要采用了兩個(gè)U-Net網(wǎng)絡(luò)。其主要原因是視盤分割屬于圖像二分類問題(視盤和背景)，當(dāng)樣本數(shù)據(jù)不平衡時(shí)，U-Net網(wǎng)絡(luò)達(dá)不到較高的分割精度。以往可以通過帶權(quán)重的交叉熵方法解決該問題，但研究中的視盤和背景像素總和差距較大，實(shí)驗(yàn)結(jié)果精度低。因此通過第1步的U-Net網(wǎng)絡(luò)確定一個(gè)較小的視盤區(qū)域，輸入到第2個(gè)U-Net網(wǎng)絡(luò)中進(jìn)行測試。通過這種方法可以極大降低背景像素對于視盤分割的影響，從本研究的結(jié)果可以看出實(shí)際分割曲線和真實(shí)曲線幾乎重合。

綜上所述，本研究采用深度學(xué)習(xí)方法中的U-Net網(wǎng)絡(luò)分步實(shí)現(xiàn)了眼底圖中視盤的定位及分割，其視盤定位和視盤分割準(zhǔn)確率保存較高的精確度，同時(shí)極大縮減了圖像處理時(shí)間。通過與其它算法比較，證明了本算法的可行性和有效性。課題組將繼續(xù)擴(kuò)大訓(xùn)練集，采用新深度學(xué)習(xí)網(wǎng)絡(luò)模型提升視盤分割各項(xiàng)評估指標(biāo)，使其在眼底圖像分析，尤其是青光眼智能診斷中發(fā)揮其應(yīng)用價(jià)值。