基于图卷积网络的视网膜血管分割方法研究.pdfVIP

基于图卷积网络的视网膜血管分割方法研究

摘要

随着智能电子设备的普及，过度用眼导致人们罹患眼部疾病的几率越来越高，

而眼底作为人类唯一可以直接观察动脉、静脉和毛细血管的部位，通过对眼底视

网膜血管结构形态的观察与分析，可以有效诊断糖尿病、高血压以及各种眼部疾

病。因此在临床研究中，视网膜血管分割对帮助医生诊断相关疾病具有重要意义。

然而由于视网膜血管拓扑结构复杂以及图像本身对比度较低，大大增加了人工分

割的难度。虽然近些年由于卷积神经网络的迅速发展，视网膜血管自动分割算法

从早期的无监督方法慢慢过渡到如今的有监督方法，分割精度因此得到显著提升，

但仍存在着血管断裂以及分割边界不清晰等问题，且现存基于编解码器架构的视

网膜血管分割模型在提升分割精度的同时也增加了模型的训练时长与推理时长，

从而占用较多的计算资源。针对以上问题，本文提出了两种基于图卷积的视网膜

血管分割算法，即GCFF-Net与PCP-Net。主要研究内容如下：

（1）基于图卷积与特征融合的视网膜血管分割算法。针对分割图像中血管断

裂与分割边界不清晰问题，本研究在U-Net的基础上进行改进，提出GCFF-Net。

该算法模型使用传统卷积以及图卷积分别提取局部特征与全局特征，并且引入多

尺度特征融合模块对这两种不同尺度的特征进行融合，来减少图像中的噪声并保

留血管信息，从而提升模型的表征能力；同时为了提升模型对编解码器特征的复

用以及减少下采样过程中空间信息的损失，引入多层次特征融合模块。试验结果

表明，在相同的实验环境下与U-Net以及AttentionU-Net相比，本研究算法在

DRIVE、CHASEDB1与STARE数据集上的F1、AUC(ROC)值均达到最优，且与其

他先进算法相比，本研究算法也展现出优异的性能。除此之外，从分割结果可视

化来看，GCFF-Net的分割结果相较于其他算法也更接近于标注图像。

（2）基于部分卷积与Pixel-Shuffle的视网膜血管分割算法。针对前一章算法

模型时间复杂度与空间复杂度相较于基准模型大幅增加的问题，本研究在

GCFF-Net的基础上进行改进，提出了一种轻量级的视网膜血管分割算法，即

PCP-Net。由于卷积层不同通道之间的特征图存在高度的相似性，因此使用部分卷

积代替传统卷积来去除通道之间的冗余信息，并达到减少模型参数量与计算量的

目的。同时使用Pixel-Shuffle代替转置卷积进行上采样，因Pixel-Shuffle不引入额

外参数，故可以减少模型的空间复杂度，并且该模块在上采样过程中不会引入伪

影，从而避免产生棋盘效应。从实验结果的性能指标与可视化结果分析，PCP-Net

在降低模型复杂度的同时并不会导致分割精度的降低。

关键词：视网膜血管分割，U型结构，图卷积，特征融合，轻量化

ResearchonRetinalVesselSegmentationMethodBasedon

GraphConvolutionalNetwork

ABSTRACT

Withthewidespreaduseofsmartelectronicdevices,theescalatingprevalenceof

excessivescreentimehasheightenedtheriskofindividualsdevelopingeyediseases.

Thefundus,beingthesoleareainthehumanbodywherearteries,veins,andcapillaries

canbedirectlyobserved,playsapivotalrole.Byscrutinizingandanalyzingtheretinal

vascularstructure,effectivediagnosesofconditionssuchasdiabetes,hypertension,and

variouseyediseasescanbemade.Consequently,inc