基于OCTA的視網膜分割算法研究

中圖分類號：TP391.4 文獻標志碼：A 文章編號：1000-5137（2025）02-0146-07

Abstract：Opticallcorelatedtomographyangiogaphy（OCTA）isusedinteresearchandclinicalaplicationofnon-invasive visualizationofretinalmicrovasculature，whichisidelyusedinophthalmologyandotherresearchfelds.Avarietyfmethodshave beenappliedtovascularsegmentationonretinalOCTAimages.Thispaperisdedicatedtocompareandanalyzethevascular segmentationefectsof raditionalsegmentationalgoritmsanddepleaingsegmentationalgorithmsbasedondiferentbasicodels forOCTimages.Teresultsshowedthatedepleaingsegmentationalgorithmsareobviouslysuperiortotraditionalsgmetation algorithms，especiallythe featurereconstructionnet（FRNet）segmentationalgorithm.Onthe OCTA-3mm，OCTA-6mm，and ROSSA datasets，the FRNet segmentation algorithm accuracy is 4.78% ， 3.10% and 3.43% higher than that of traditionalfuzzy mean algorithmsrespectively.Atthesametime，itcanefctivelyovercome theproblemsofnoiseinterferenceandvascularfractureof traditionalalgorithms.Theresultsrevealthatthedeplearningalgorithms，especiallyFRNet，havesignificantpeformance advantages inOCTA image segmentation tasks，whichprovidthestrong support forOCTAdata-related medicalresearch.

KeyWords：opticallycorrelated tomographyangiography（OCTA）；retinal image vascularsegmentation；deeplearning

0 引言

光學相關斷層血管成像[1（OCTA）是一種基于光學相關斷層掃描[2（OCT）的醫學成像技術，可以在無創傷、無輻射的條件下清晰采集到視網膜斷層圖像信息.分析視網膜斷層圖像對多種疾病的診斷至關重要，通過觀察血管的分布、形狀、血流流速、血管遮擋[3]等特征，確定病人視網膜血管是否發生病變，如糖尿病性視網膜病變[4、青光眼[5和黃斑變性等.OCTA的視網膜血管分割就是將圖像中的血管單獨標記出來，相關疾病會通過視網膜血管的寬度、分布形態、密度等特征表現出來，可以幫助醫生準確快速診斷病情.基于傳統方法的視網膜圖像分割算法，如閾值處理[、邊緣檢測[8、區域生長[9、聚類[1]等算法，不需要從大量數據集中學習先驗知識，對數據量無要求，但對視網膜血管圖片的質量及血管結構要求較高.

近年來，醫學圖像分割領域涌現出一些深度學習方法，如卷積神經網絡[]和循環神經網絡[12].其中，基于以Unet為代表的編碼器-解碼器結構分割算法取得了令人滿意的結果，并衍生出Unet+， Unet++ ，ResUnet等改進算法.SUN等[13]為解決血管曲率形態復雜而導致小血管分割不清晰的問題，將Unet中的卷積模塊替換為串聯可變形卷積模塊，在解碼器部分采用輕量級注意模塊和雙注意模塊，有效提高了Unet對形態復雜的小血管和視網膜病變圖像的特征提取能力.LI等[14]在網絡的特征編解碼器塊中加入位置關注，建立全局依賴關系，在編碼部分的最后一層使用多尺度特征融合模塊，提取多尺度特征信息，解決了視網膜血管寬度和大小大幅變化的問題，提高毛細管的分割精度.

本文將深人研究基于不同算法的視網膜血管分割效果，包括模糊 C 均值（FCM）[15]、Unet[16]、殘差（Res）Unet[17]、特征重建網絡（FRNet）[18]、視覺Mamba（VM）-Unet及視覺轉換（VIT）等算法的性能分析.在不同的視網膜數據集上進行對比實驗，將精確度、戴斯（Dice）相似系數作為指標進行評價，研究分析這些模型和算法的優勢和局限性，為開發一種快速、準確、自動的視網膜血管分割算法提供實驗依據，也可以為OCTA圖像的自動化處理和分析提供數據基礎.

1分割算法

1.1 FCM算法

FCM算法是一種基于模糊邏輯和聚類分析的數據聚類算法，允許數據點同時屬于多個不同的簇，對于處理未明確分割或屬于多個類別的數據效果顯著.FCM的目標是最小化一個損失函數，該函數衡量了數據點與其所屬簇中心之間的距離以及其隸屬度值.通過迭代優化這個目標函數，將數據點分配到不同的簇，并確定簇中心的位置.在視網膜血管圖像中，FCM算法將每一個像素點劃分到與之相似度最高的類別，應用于圖像分割.賈洪等[19采用局部線結構約束的FCM算法實現視網膜血管分割，被分割的血管結構連續性較好，提升了對細小血管檢測的靈敏度.相較于基于區域生長、閾值、傳統聚類等硬分類方法，FCM在模糊穩健性方面表現良好，并且能在分割階段充分保留原始圖像信息[20].

1.2 Unet及其改進算法

Unet是專為醫學影像數據集設計的一種輕量級分割網絡，其關鍵思想在于充分結合卷積神經網絡的特性，具有編碼器和解碼器兩個部分，在解碼器中引入跳躍連接，實現了輕量級且高質量的圖像分割.

ResUnet是對Unet進行的一項重要改進，其核心理念是將Res引入Unet結構，從而更好地解決卷積神經網絡中層次過多引起的梯度消失問題以及語義信息缺失問題.在ResUnet中，采用了多尺度特征融合的策略，以更全面地捕獲不同深度編碼器中的特征，從而獲取各種級別的詳細信息.

VM-Unet集成視覺狀態空間（VSS）模塊作為基礎構建模塊，旨在廣泛地捕獲上下文信息，并構建非對稱的編碼器-解碼器架構.具體而言，PatchEmbedding層率先將圖像分割為 4×4 的非重疊patch，隨后將圖像通道數量轉換為C.編碼器包含4個階段，在前三個階段的末端運用補丁合并操作，有效地降低了輸入特征的高度與寬度，并同時提升通道數量.與之類似，解碼器同樣劃分為4個階段.在最后三個階段的起始處，借助補丁擴展操作以削減特征通道數量，并增加其高度與寬度.隨后，引入最終投影層來恢復特征尺寸，從而匹配分割目標.在跳躍連接中，采用簡易加法運算方式，避免引入任何額外參數.

FRNet引入了循環神經網絡到ConvNeXt模塊中，去除了傳統Unet系列網絡中常見的下采樣和上采樣操作.通過采用6個連續的ConvNeXt模塊結構進行圖像分割，相對于傳統的Res網絡結構，ConvNeXt采用了 7×7 的卷積塊，顯著減少了激活函數和正則化的次數.在訓練策略和激活函數的選擇方面進行了改進，在實驗中展現出更出色的性能.

視覺轉換算法將輸入圖片劃分成圖片塊后組合成序列，傳人轉換器特有的多頭自注意力機制進行特征提取，最后，利用分類標記進行分類.

2實驗

2.1 OCTA-500和ROSSA數據集

為了對比不同算法在不同數據集上是否存在差異，本實驗選用兩個公開數據集：OCTA- 500^[21] 和ROSSA數據集.OCTA-500數據集來源于500名受試者的視網膜圖像信息，根據視野分為兩個子集：OCTA ?6mm 和 OCTA-3mm. 本研究分別選取300名受試者的 6mm 范圍圖片和200名受試者的 3mm 圖片， 6mm 范圍圖像的分辨率為 304pixel×304pixel，3mm 范圍圖像的分辨率為 400pixel×400pi xel，原始圖像格式與分割標簽圖片格式均為bmp格式.對ROSSA數據集中的100張圖像手工標注，剩余718張圖像使用Facebook的 segment anything model（SAM）工具進行標注.標簽圖片中的白色像素對應著血管區域，標注出視網膜中的血管結構.黑色像素表示背景區域，不含血管信息.這些標簽圖片用于訓練模型，讓模型學習如何識別并區分血管與背景，如圖1所示.

2.2 數據預處理

對于深度學習算法，數據集以7：3大小劃分訓練集和測試集，其中，OCTA-6mm數據包含訓練樣本

210張，測試數據90張； OCTA-3mm 包含訓練數據140張，測試數據60張；ROSSA數據集包含訓練數據718張，測試數據100張.為避免OCTA-500數據集樣本數量較少引發模型訓練的欠擬合問題，在訓練過程之前，首先對輸入圖像進行歸一化，并將每張圖片以 50% 的概率隨機進行裁剪、旋轉或翻轉操作，以便增強數據集的特征信息，提高模型的泛化能力.

2.3 實驗環境

使用Ubuntu 18.04.5LTS作為虛擬機操作系統，PyCharm 2021.1.1（Professional Edition）作為實驗的集成開發環境.深度學習采用PyTorch作為主要工具.

分別用FCM，Unet，ResUnet，VIT、VM-Unet和FRNet算法進行實驗，訓練輪次設置為10O，優化器使用Adam.Unet模型中，設定批次大小為4，其余模型中，設定為2.損失函數采用DiceLoss.

2.4 評價指標

視網膜的微血管網絡包含相互連接的復雜微血管結構，為了有效地判斷分割算法的有效性，

選取了7個指標作為評價標準：Dice系數、均交并比、特異性、精確度、準確度、假正例率及敏感性.根據分割結果將像素點分為4類，類別含義如表1所示，指標含義及計算公式如表2所示．

2.5 實驗結果與分析

選用上述分割算法分別在OCTA-500和ROSSA數據集中訓練和測試，實驗效果如表3＼～5所示.其中，表3為各算法在 OCTA-3mm 數據子集中的分割效果，表4為各算法在OCTA-6mm數據子集中的分割效果，表5為各算法在ROSSA數據集中的分割效果.

可以看出，在不同數據集中，基于深度學習的各個分割算法所分割效果均優于傳統分割算法FCM.其中，在OCTA ?3mm ！ 0CTA-6mm 和RossA數據集上，FRNet的 A_cc 分別提高了 4.78%，3.10% 和 3.43% ， 提高了 33.69% 22.49% 和 31.49% .這是由于相比與傳統算法，深度神經網絡中的卷積塊參數可以學習到更加細微的特征，對于復雜的血管結構的分割效果更為細致.

由表3可知，在 OCTA-3mm 數據集中，Unet模型的 F_dr 為 7.08% S_pe 為 99.34% ，優于其他模型，這是由于OCTA-3mm數據集的視野范圍較窄，血管半徑相對較大，Unet結構簡單，在復雜性較低的數據集上更具優勢.在 OCTA-6mm 數據集上，ResUnet分別在 F_dr 和 S_pe 上優于其他模型.由表5可知，在ROSSA數據集上，ResUnet的各方面指標大體上優于Unet，且ResUnet的 S_en 指標優于其他算法，這是因為Res網絡會將上一層的特征與當前層的特征結合，在避免梯度消失的同時提升了收斂效果，更好地保留了原始特征尺寸.

相對而言，FRNet綜合能力優于其他深度學習算法，在三個數據集上均獲得最高的 P_re，I_oU，A_cc 和 D_ice 由于FRNet連續的ConvNext結構，不包含編碼器-解碼器結構，從而避免了在下采樣過程中的特征損失，能夠更完整地保留原始圖像特征.此外，循環神經網絡在每個卷積層中進行更加細致的像素特征計算.ConvNext結構通常包含多個卷積層和非線性激活函數，有助于提取豐富的圖像特征，使得網絡能夠更好地捕獲圖像的局部和全局信息，進而提升分割任務的準確性.

圖2是不同分割算法在數據集OCTA-6mm上的分割結果.在OCTA采集到的圖像中，部分血管與背景亮度較為相近，分割較為困難.FCM算法受噪聲干擾明顯，分割出的血管存在斷裂現象，有較多孤立的噪點，不利于觀察血管形態和管徑.相比之下，各深度學習均可以更加清晰、連續地將血管分割出來.但如圖2紅圈標注所示，在該視網膜圖像中Unet，VIT，VM-Unet均未識別出兩處血管，ResUnet能夠檢測出部分血管，但識別出的血管并不完整.相較于其他算法，FRNet能夠更加清晰完整地分割血管，這和表4中的血管分割評價指標相一致.

圖3為預處理操作對實驗效果的影響.由圖3可知，血管末端OCTA采集到的血管與背景亮度接近，未引入預處理操作的FRNet算法沒有完整分割出血管.這是因為隨機裁剪、翻轉等操作會將圖像中較為模糊的特征進行擴充；歸一化能夠減少圖像之間的差異，使模型更容易學習到圖像的特征，因此引入預處理操作后，FRNet算法具有更好的學習效果．

3結語

本文研究了不同分割算法在視網膜血管分割任務中的有效性.在不同數據集上對分割性能進行了比較和分析.選擇了傳統的FCM，Unet，ResUnet，VIT，VM-Unet與FRNet算法進行對比.FCM算法在視網膜血管分割中不夠精確，受噪聲干擾明顯，不能將整支血管連續分割出來.Unet算法綜合表現優異，但存在邊界模糊和細小血管的漏檢問題.ResUnet算法結合了ResNet算法的優點和Unet算法的分割結構，在視網膜血管分割任務中表現更出色.FRNet算法引人循環神經網絡，能夠將其他算法漏檢的血管分割出來，展示了其在復雜血管分割任務中的卓越能力.另外，本文還證實了合理的數據預處理操作能提高FRNet算法視網膜血管分割的效果.未來的研究可以進一步改進深度學習架構，以及探索更多先進的特征提取方法，以提高視網膜血管分割的準確性和穩健性，

參考文獻：

[1] GRAUSLUNDJ.Diabeticretinopathysreeing intheemerging eaofartificialintellgence[J].Diabetologia，O2，65（9）： 1415-1423.

[2]SEDAIS，ANTONYB，RAIR，etal.Uncertainty guided semisupervisedsegmentationofretinalyers inOCTimages[C]/ Proceedings of the22nd IntermationalConferenceon Medical Image ComputingandComputer-Asisted Intervention.Shenzhen： Springer，2019：282-290.

[3]朱曉紅，趙玥，姚進.病理性近視黃斑出血的OCTA影像特征[J].國際眼科雜志，2022，22（4）：673-676. ZHU X H，ZHAOY，YAO J.Imaging features of OCTA in the macular hemorhage of pathologic myopia[J].International Eye Science，2022，22（4）：673-676.

[4]LIM C，CHEN YR，JI Z X，et al. Image projection network ： 3D to 2D image segmentation in OCTA images [J].IEEE Transactions on Medical Imaging，2020，39（11） ：3343-3354.

[5]PANAHI A，ASKARI MOGHADAM R，TARVIRDIZADEH B，et al. Simplified U-net as a deep learning inteligent medical assistive tool in glaucoma detection[J].Evolutionary Intelligence，2024，17（2）：1023-1034.

[6］胡瑾，朱德軍，王娟，等.應用OCTA對無糖尿病視網膜病變的糖尿病患者糖化血紅蛋白與黃斑血管密度的定量分 析[J].寧夏醫學雜志，2022，44（11）：964-967. HUJ，ZHUDJ，WANGJ，etal.The analysisofHbAlcand macular vasculardensityindiabetic patients withnon-diabetic retinopathy by OCTA[J]. Ningxia Medical Journal，2022，44（11） ：964-967.

[7]RAYR，JENAS，PARIDAP.Anefective thresholdbasedtechnique forretinal image blood vessel segmentationonfundus image usingaverageandGausianflters[C]/Procedingsof the2ndInternationalConferenceonComputing，Communication and Learning.Warangal： Springer，2023：175-188.

[8]OOIA ZH，EMBONG Z，ABD HAMIDAI，et al.Interactive blood vessel segmentation from retinal fundus image based on canny edge detector[J].Sensors，2021，21（19）：6380.

[9]RODRIGUES EO，CONCI A，LIATSIS P.Element： multi-modal retinal vessel segmentation based onacoupled region growing and machine learning approach [J]. IEEE Journal of Biomedical and Health Informatics， 2020，24（12）：3507-3519

[10]YAVUZ Z，KOSE C.Blood vessel extraction incolorretinal fundus images with enhancement filtering andunsupervised classification[J]. Journal of Healthcare Engineering，2017，2017：4897258.

[11]PATELTR，PALIWALN，JAISWALP，etal.Multi-resolution CNN forbrainvessel segmentation fromcerebrovascular images of intracranial aneurysm：a comparisonof U-Netand DeepMedic[C]//Proceedings of SPIE 11314，Medical Imaging 2020：Computer-Aided Diagnosis. Houston： SPIE，2020：677-685.

[12]LEEK，SUNWOOL，KIMT，etal.Spider U-Net： incorporating inter-sliceconnectivityusing LSTMfor3Dbloodvessel segmentation[J].Applied Sciences，2021，11（5）：2014.

[13]SUN K，CHENY，CHAOY，etal.Aretinal vessel segmentation method basedimproved U-net model[J].Biomedical Signal Processing and Control， 2023，82：104574.

[14]LIDY，PENGLX，PENGSH，etal.Retinalveselsegmentationbyusing AFNet[J].The Visual Computer，2023，39（5）： 1929-1941.

[15]WIHARTO W， SURYANI E.The analysis effct of cluster numbers on fuzzy C -means algorithm for blood vessel segmentation ofretinalfundus image[C]//Proceedingsof2O19 International ConferenceonInformationandCommunications Technology. Yogyakarta：IEEE，2019：106-110.

[16] DUXF，WANGJS，SUN W Z. UNet retinal blood vessel segmentation algorithm basedon improved pyramid pooling method and attention mechanism[J].Physics in Medicine amp; Biology，2021，66（17）： 175013.

[17]LID，DHARMAWAN DA，NGBP，et al. Residual U-net for retinalvesel segmentation[C]//Procedingsof 2019 IEEE International Conference on Image Processing.Taipei，China：IEEE，2019：1425-1429.

[18]NING HJ，WANG CL，CHEN XR，et al.Anaccurate and eficient neural network forOCTA vessel segmentation and a new dataset[C]// Proceedingsof 224IEEE International ConferenceonAcoustics，SpeechandSignal Procesing.Seoul：IEEE， 2024：1966-1970.

[19]賈洪，鄭楚君，李燦標，等.基于局部線結構約束的FCM聚類視網膜血管分割[J].光學學報，2020，40（9）：0910001. JIA H，ZHENG C J，LI CB，et al. Retinal blood vessel segmentation basedon fuzzy C-means clustering acording to the local line structural constraint[J].Acta Optica Sinica，2020，40（9）：0910001.

[20]李奇澤.基于區域級隸屬度函數的圖像分割評估分析[J].電子產品世界，2023，30（10）：54-57. LIQZ.Imagesegmentationevaluationbasedonregionallevelmembership function[J].ElectronicEngineeringamp;Product World，2023，30（10）：54-57.

[21]LI M C， HUANG K，XUQZ，et al. OCTA-500： a retinal dataset foroptical coherence tomography angiography study[J]. Medical Image Analysis，2024，93：103092.

（責任編輯：包震宇，郁慧）