視網膜血管圖像分割研究現狀分析

邱夏青

（溫州大學計算機與人工智能學院，溫州325035）

0 引言

視網膜血管形態，如形狀、彎曲程度、分支模式和寬度等信息都能夠為視網膜疾病的檢查提供幫助。傳統上基于醫生手工進行分割的方式不僅需要花費大量的時間和精力，而且分割效率非常低下、可重復性不強。因此，實現視網膜血管圖像的自動分割具有很強的應用價值，也成為醫學研究的重要課題之一。近年來，在大量專家學者的共同努力下，視網膜血管圖像的自動分割結果已經能夠超過人類手工分割的水平了。本文簡要介紹各類分割算法，以幫助讀者更清晰地了解視網膜血管圖像分割的研究進展和技術要領。

大體上，視網膜血管圖像分割方法可以分為兩大類：基于有監督的視網膜血管圖像分割方法和基于無監督的視網膜血管圖像分割方法。基于有監督的分割方法首先需要使用手工標注的血管圖像對二分類器進行訓練，然后使用分類算法對眼底圖中的每個像素進行分類。無監督的分割方法不需要手工標注的血管圖，而是根據血管的形態學特性分割出血管。本文將對各種典型視網膜血管圖像分割技術進行介紹和效果分析。

1 視網膜血管圖像分割評價標準

通常會采用四種評價標準來評估視網膜血管分割技術的性能，包括敏感性（Se）、特異性（Sp）、準確性（Acc）和曲線下面積（AUC）。視網膜血管分割問題可視為對所有像素進行二分類的問題，因此可以使用混淆矩陣來評估各種方法的性能。混淆矩陣包括四個參數：真陽性（TP）表示正確分類血管的個數；假陰性（FN）表示錯誤分類血管的個數；真陰性（TN）表示正確分類的背景像素個數，假陽性（FP）表示錯誤分類血管的像素數量。敏感性、特異性、準確性和曲線下面積的值可以基于該四個參數計算得到，具體計算公式如表1所示。

表1 評價標準計算公式

2 基于無監督的分割技術

基于無監督的視網膜血管圖像分割技術是一種基于規則的分割技術，現有方法主要包括基于匹配濾波、血管追蹤、閾值分割、模型以及數學形態學處理等的分割方法。無監督分割方法是基于局部強度和梯度等對未標記的圖像建立分割模型，在調整模型時，會對模型的優劣進行評估，并且根據最小化函數對模型進行調整，找到血管與背景之間的最佳分離。總體而言，無監督方法的分割速度較快，計算復雜度較小，但是分割效果不太理想，分割訓練流程如圖1 所示。

圖1 無監督方法的訓練流程

2.1 基于匹配濾波的分割方法

基于匹配濾波的分割方法充分利用了局部圖像塊與濾波核之間的相關性，基于二維高斯模板對視網膜圖像進行二維卷積操作，在寬度和方向上重現血管結構。Chaudhuri 等人[1]最早提出二維匹配濾波的視網膜血管圖像分割方法，該方法用高斯曲線來逼近視網膜血管剖截面，然后基于高斯卷積方法來搜索出眼底圖像中所有的血管信息。Azzopardi 等人[2]提出的B-COSFIRE 濾波器算法，B-COSFIRE 濾波器可以選擇性地響應諸如血管等線性結構。通過設置2 個旋轉不變的B-COSFIRE 濾波器分別對線條和線條端點進行選擇，然后得到相應，再通過限定閾值實現血管像素的分割。Zhang 等人[3]提出了一種基于最大化方向分數域的多尺度二階高斯導數濾波響應的分割技術，該方法在六個公開的數據集上進行性能評估，該方法能夠分割出細小的血管結構和交叉部分的血管結構。梁恩慧等人[4]提出了一種基于線模板濾波和B-COSFIRE 濾波的分割方法，該方法能夠改善匹配濾波的總體分割性能。

2.2 基于血管追蹤的分割方法

基于血管追蹤的分割方法首先在血管中心線或邊緣上設置初始的種子像素點，再基于該初始種子點，根據局部區域的視覺信息沿著血管中心線跟蹤出整個血管樹。由于視網膜血管是連續的，所以使用追蹤的方法能夠在圖像存在噪音情況下分割出整個血管樹，該方法為許多全身性疾病提供了較為準確的分支信息。Yin 等人[5]提出一種基于概率跟蹤的分割方法，該方法考慮到血管邊緣對整個視網膜圖像的影響，采用以最大后驗（MAP）為準則的貝葉斯方法迭代地檢測血管邊緣點。

2.3 基于數學形態學的分割方法

基于數學形態學的分割方法利用視網膜中的是線性連接的這一事實進行血管分割，其優點是速度較快、抗噪性較好，缺點是對高度彎曲的血管模擬性較差。Fraz 等人[6]提出了一種識別血管中心線和血管樹的血管分割方法，該方法利用高斯濾波器的一階導數和多階形態頂帽變換對血管進行分割。該方法的局限性是難以對高度彎曲的血管建模。Imani 等人[7]結合形態學成分分析技術（MCA）和Morlet 小波變換技術將血管從其他病變結構中分離出來，再通過Morlet 小波變換來增強視網膜血管，通過自適應閾值獲得最終的血管圖。該方法對存在噪聲的視網膜血管圖像中有較強的魯棒性。汪維華等人[8]提出一種修正的形態學的分方法，該方法能夠消除部分因為光照原因對分割結果的影響。

2.4 基于閾值分割的方法

在基于閾值的血管圖像分割算法中，Roychowdhury 等人[9]提出一種能夠有效對病理視網膜血管進行分割和對細小血管進行分割的方法。該方法采用了迭代血管分割的方法，提出了一種全局自適應閾值和新的停止準則。Temitope 等人[10]提出一種基于GLCM 能力信息的局部自適應閾值分割方法，該方法為灰度的視網膜圖像和綠色通道的視網膜圖像提供了一個魯棒性分割的實例。

2.5 基于模型的分割方法

基于模型的方法包括血管剖面模型和可變形模型。在血管剖面模型中，血管橫截面強度剖面被建模為高斯曲線。在可變形模型中，采用了主動輪廓法和基于水平集的方法。Xiao 等人[11]提出了一種考慮空間信息的貝葉斯血管分割方法，該方法在檢測狹窄或者對比度較低的血管方面性能更好。Gonzalez 等人[12]提出了一個視網膜血管和視盤分割的聯合框架，該方法是采用圖形切割技術對血管樹進行分割，然后采用馬爾科夫隨機場圖像重建和補償因子法對視盤進行分割。張恒義等人[13]提出了一種非線性圖像處理方法對視網膜圖像進行分割。

表2 展示的是幾種典型無監督視網膜血管圖像分割方法的分割性能。觀察表1 可知，總體而言，基于無監督的視網膜血管圖像分割方法的總體性能能夠優于第二專家手工分割效果，但是在特異性方面還有待提高。在分割性能方面，梁恩慧等人[4]提出的方法在敏感性Se 方面表現較好，在兩個數據集上分別達到了0.8248 和0.8874，這就說明該方法對細小血管或者分支血管的分割較為有效。汪維華等人[8]提出的算法雖然在特異性Sp 方面表現較好，但是由于該方法的敏感性較差，所以不太適合應用在實際的醫療診斷中。在總體分割性能方面，基于匹配濾波的分割方法的總體性能優于其他無監督方法，而基于血管追蹤方法和基于形態學的分割方法的分割性能一般。

3 基于有監督的分割技術

基于有監督的分割方法在訓練時需要對應的血管圖共同參與訓練。通常需要從訓練圖像中選取較為關鍵的特征作為向量進行訓練。一般地，有監督的視網膜血管圖像分割方法有K 近鄰、支持向量機（SVM）、神經網絡、高斯混合模型、AdaBoost、隨機條件場和近些年發展起來的卷積神經網絡（CNN）方法等。一般情況下，有監督的分割方法包括基于傳統有監督的分割方法和基于CNN 的分割方法。在效果方面，有監督方法的分割效果總體上優于無監督分割方法，訓練具體流程如圖2 所示。

圖2 有監督方法的訓練流程

3.1 基于傳統有監督的分割方法

Fraz 等人[14]提出了結合梯度向量場方向分析、血管形態變換和Gabor 濾波相應等多種特征進行血管提取的性方法，然后利用決策樹對像素進行分類，該方法能夠在多個數據集上進行血管分割。Orlando 等人[15]首次提出了基于條件隨機場的視網膜血管分割方法，該方法使用結構化輸出SVM 以監督的方式訓練完全連接的條件隨機場，能夠解決較差的分割問題。視網膜血管中的小血管在中風和阿爾茲海默癥等微血管疾病的診斷方面也有重要的作用，但是存在著小血管分割比較困難的問題，Dai 等人[16]提出了一種基于局部灰度統計的灰色投票技術，該技術增強了小血管結構，區域小血管的分割起著關鍵作用。

3.2 基于卷積神經網絡的分割方法

隨著深度學習技術的成功應用，卷積神經網絡成為解決醫學圖像問題的一種可行高效的方法。在此背景下，Wang 等人[17]提出了利用隨機森林和CNN 相結合的視網膜血管圖像分割方法。Li 等人[18]提出了一種使用深度自動編碼器的跨模態方法，利用深度神經網絡模擬視網膜圖像與血管圖像之間的關系，該方法在病理圖像和細小血管圖像分割方面有較好的性能。Liskowski 等人[19]提出了一種深層神經網絡模型，該方法能夠達到0.99 的AUC，這個結果明顯優于目前的其他方法，該方法在病理圖像方面也有較強的分割性能，并且在血管中間反射的情況下也能獲得較強的分割魯棒性。梁禮明等人[20]提出了自適應信息的U-net 網絡結合對視網膜血管圖像分割，該方法在U-net 中加入了密集可變卷積和金字塔型空洞卷積操作來提升分割性能。吳晨玥等人[21]提出一種使用CNN 方法進行視網膜血管分割的方法，該方法將殘差學習和密集連接加入到網絡中，使得網絡能夠獲得較好的分割性能。

表2 無監督分割方法的性能比較

生成對抗網絡（GAN）是由一個生成器網絡和判別器網絡組成的對抗博弈網絡。Lahiri 等人[22]提出了一種基于生成對抗網絡的半監督語義分割方法，該方法的訓練對象是圖像塊，并將生成的圖像塊作為負樣本共同參與訓練，該方法的分割速度較快，并且分割結果優于CNN 方法的分割效果。Son 等人[23]也使用GAN方法做了視網膜血管圖像和視盤的分割，該方法在ROC 曲線和PR 曲線上都取得較好的分割效果。

表2 展示了各種典型有監督方法的性能比較情況。觀察表3 可知，有監督方法在視網膜血管圖像分割方面能夠達到較高的Se、Acc 和AUC，特別是使用卷積神經網絡的分割方法。Son 等人[23]方法表現得更加突出，特別是在敏感性Se 方面能夠達到0.83，超過了其他有監督分割方法。梁禮明等人[20]和吳晨玥等人[21]提出的分割方法都是基于CNN 的分割方法，并且所用的網絡都是U-Net 網絡模型的變形，這說明了U-Net網絡模型較適合圖像分割。總體而言，基于有監督的分割方法在視網膜分割方面能夠取得更好的性能。

4 結語

本文介紹了視網膜血管圖像分割的相關算法，對每類算法的典型算法進行介紹，最后進行效果比較與分析。通過觀察各類方法的分割性能，可知基于有監督的分割方法的性能整體優于基于無監督方法的性能，尤其是基于深度學習方法的分割效果更好。盡管視網膜血管圖的分割技術已經取得較好的進展，但是分割效果和精度還存在著提升空間。神經網絡雖然有較強的擬合能力，但是在病例圖像分割方面的分割性能還有待提高，將血管的形態學特性和深度學習方法相結合的方式也許能夠使算法的分割性能會更好。

表3 有監督方法的性能比較