基于卷积神经网络的视网膜血管分割和动静脉分类方法研究.pdf

摘要

摘要

视网膜血管的形态对于糖尿病性视网膜病变等视网膜疾病的诊断和筛查至关

重要。临床上，视网膜动静脉的形态变化是糖尿病性视网膜病变病理变化的判断

依据。然而，鉴于视网膜血管系统复杂多变的特性，当前医生主要采取手工操作

的方式，对视网膜血管进行区域采样、测量和分析。人工筛查耗时且成本高昂，

同时易受主观因影响，不适用于大规模的糖尿病性视网膜病变筛查工作。因此，

采用计算机辅助诊断技术实现视网膜血管的自动分割和动静脉分类，对视网膜图

像的处理和糖尿病性视网膜病变的分析诊断具有重要的研究价值和临床意义。

近年来，基于统的图像处理方法和基于深度学习的方法在医学图像处理领

域表现出色，其中深度学习方法在性能上普遍优于统的图像处理方法。然而，

在视网膜血管分割和动静脉分类任务中，基于深度学习的方法仍然存在以下挑

战：（1）在视网膜血管分割任务中，大多数基于U-Net的改进方法在提取图像细节

和边界信息方面存在局限，这些方法在上采样阶段采用简单的元或维度相加的

方式融合不同网络层的信息，导致信息冗余，使得最终分割结果中血管边缘模糊，

定位不准确；（2）对于视网膜血管动静脉分类任务，单一类型的输入无法有效的

结合视网膜图像的局部信息和整幅图像的全局上下文信息，导致获得的动脉和静

脉可能是碎片化的，缺乏连通性。

针对以上问题，本文基于卷积神经网络，对视网膜血管分割和视网膜血管动

静脉分类方法进行了深入研究。主要的研究内容如下：

（1）对于视网膜血管分割任务，提出了一种基于多尺度减法和残差坐标注

意力的视网膜血管图像分割模型MS-CANet（Multi-scaleSubtractionNetworkwith

CoordinateAttention）。该模型结合多尺度减法和注意力机制对U-Net网络进行改

进。首先，在编码阶段引入改进后的残差坐标注意力模块，在网络进行特征

提取时，该模块捕获空间方向的长程依赖关系并同时保留精确的位置信息。其

次，在不同的感受野层次上引入多尺度减法单元，以减少上采样阶段采用元

或维度相加导致的信息冗余。最后，在解码器的末端设计了并行通道注意力模

块，通过增强血管和背景之间的对比度，促进边缘血管的清晰恢复。在DRIVE、

STARE和CHASE三个视网膜血管分割基准数据集的实验结果表明，MS-CANet网

络模型在视网膜血管分割方面的性能优于其他视网膜血管分割模型。

（2）对于视网膜血管动静脉分类任务，提出了一种基于关系注意力和条状

金字塔池化的视网膜血管图像动静脉分类模型SRNet（StripedPyramidPoolingand

I

西北师范大学硕士学位论文

RelationalTransformer）。该模型通过关系注意力模块有效地结合局部补丁级信息

和图像级全局上下文信息，以充分利用补丁级和图像级两种不同的输入方式。此

外，为了更精确地捕获上下文信息，提出了一种条状金字塔池化模块，以适应视

网膜血管动静脉的复杂树状分布结构。在AV-DRIVE、LES-AV和HRF三个视网膜

血管动静脉分类基准数据集的实验结果表明，SRNet网络模型在视网膜血管动静

脉分类任务中展现出良好的性能。

关键词：糖尿病性视网膜病变；卷积神经网络；视网膜血管分割；视网膜血

管动静脉分类

II

Abstract

Abstract

Themorphologyofretinalvesselsiscrucialforthediagnosisandscreeningofretinal