姜大光等：骨架图引导的级联视网膜血管分割网络 1249 达到了领先.虽然方法DS[II]的敏感值在DRIVE 平均比其他方法高出0.3%：Acc值分别为97.1%、 数据集上高于本文的方法，但对于医学数据，F1值 97.1%和97.7%，平均比其他方法高出0.9%.考虑 是更为重要的指标.它不仅包含着敏感性信息，还 到眼底图像中非血管区域和粗血管占比较大，细 考虑了精确度，F1值越高意味着识别出的血管更 血管和噪声样本的占比较小，模型对这类小样本 为齐全，而且准确.本文提出的方法在3个数据集 的分割性能提升反映在这两个指标上的变化不明 上的F1值比其他方法平均高出2.6%，证明了该方 显，因此尽管指标值只有略微提升，但同样能够说 法能够更加准确地识别出更多血管.同时， 明方法对细小血管的识别准确率更高，同时减少 AUC值在3个数据集分别为98.8%、99.1%和99.1%， 了对噪声样本的误分类 表1本文提出的方法和近期的先进方法在F1值、敏感性Se、准确率Acc、AUC的比较结果 Table 1 Comparison results between our proposed method and the recent advanced methods of the FI score,Sensitivity,Accuracy,and AUC DRIVE STARE CHASEDBI Method F1/%Se/%Acc/% AUC/%F1/%Se/%Acc/% AUC/%F1/%Se/%Acc/% AUC/% Segment 76.5 95.4 97.5 一 75.8 96.1 98.0 一 76.3 96.1 97.8 DSt 一 87.3 95.0 98.0 一 76.7 97.1 98.8 76.7 97.7 99.0 DUNet!7 一 78.9 97.0 98.6 一 74.3 97.3 98.7 一 82.3 97.2 98.6 Cascade] 80.9 76.5 95.4 81.3 75.2 96.4 78.1 77.3 96.0 DualUNet!4 82.7 79.4 95.7 97.7 一 80.4 80.7 96.6 98.1 CE-Net4 83.1 95.5 97.8 78.4 95.8 97.9 STDHOI 81.5 97.0 98.6 IterNet6 82.2 77.9 95.7 98.1 81.5 77.2 97.0 98.8 80.7 79.7 96.6 98.5 Our method 83.183.7 97.1 98.8 85.886.4 97.1 99.1 82.084.5 97.7 99.1 3.5消融实验 管的骨架，同时也证明了提取出更精确的骨架能 为了进一步说明框架中各个组成部分的效 够进一步提高血管分割的效果 果，本文进行了消融实验 第一组消融实验验证了骨架的辅助任务和基 表2第一组消融实验结果 于图的结构平滑正则损失分别起到的作用.首先， Table 2 Results of the first ablation experiments Control DRIVE CHASEDBI 实验使用单任务分割网络ResNet34作为基准，在 group DRIVE和CHASEDBI训练集上训练，计算出在验 F1/%Se/%Acc/%AUC/%F1/%Se/%Acc/%AUC/% 证集上的指标.然后，网络递增加入了提取骨架的 Single task 84.284.696.598.8 81.382.997.198.8 network 辅助任务，使用二元交叉嫡损失函数训练，评估该 +Skeleton 85.085.597.7 99.2 81.883.697.6 99.0 子任务对分割性能的影响.最后，骨架提取网络的 extraction +Structure 训练损失中再次递增加入了基于图的结构平滑正 85.186.397.7 99.3 82.084.597.7 99.1 loss 则项，评估该损失的效果.在3个数据集上实验结 果如表2所示，实验曲线图如图5所示.实验结果 第二组消融实验验证了框架中主干网络的普 表明：使用提取骨架的辅助任务的分割模型在两 适性，实验将骨架提取网络和血管分割网络的编 个验证集上的F1值分别达到了85.0%和81.8%， 码路径共同替换为ResNetl8和VGGl6中去除全 Se达到了85.5%和83.6%，相比于单任务分割网络 连接层的部分，框架在两个数据集训练完成后，计 有大幅提升，并且模型在训练中收敛速度较快，说 算在测试集上的指标，结果如表3所示.3种主干 明骨架特征能够提供给分割网络充分的拓扑和几 网络在2个数据集上的指标都较高，说明该框架 何信息，使网络能够准确分割出更完整的血管结 具有灵活的适用性.在F1指标上，ResNet34高于 构，而且减小了单任务网络对特征的学习难度；使 ResNet18和VGGl6实验组，可以推断出效果越好 用结构平滑正则损失后，F1值和AUC值比单独使 的单任务网络应用在该框架下会取得一定程度的 用二元交叉嫡平均提高了0.1%，Se提升了0.8%， 提升.使用ResNet34作为主干网络的实验组在两 说明该损失能够促使模型准确提取出更多细小血 个数据集的训练损失如图6所示达到了领先. 虽然方法 DS[11] 的敏感值在 DRIVE 数据集上高于本文的方法，但对于医学数据，F1 值 是更为重要的指标. 它不仅包含着敏感性信息，还 考虑了精确度，F1 值越高意味着识别出的血管更 为齐全，而且准确. 本文提出的方法在 3 个数据集 上的 F1 值比其他方法平均高出 2.6%，证明了该方 法 能 够 更 加 准 确 地 识 别 出 更 多 血 管 . 同 时 ， AUC 值在 3 个数据集分别为 98.8%、99.1% 和 99.1%， 平均比其他方法高出 0.3%；Acc 值分别为 97.1%、 97.1% 和 97.7%，平均比其他方法高出 0.9%. 考虑 到眼底图像中非血管区域和粗血管占比较大，细 血管和噪声样本的占比较小，模型对这类小样本 的分割性能提升反映在这两个指标上的变化不明 显，因此尽管指标值只有略微提升，但同样能够说 明方法对细小血管的识别准确率更高，同时减少 了对噪声样本的误分类. 表 1 本文提出的方法和近期的先进方法在 F1 值、敏感性 Se、准确率 Acc、AUC 的比较结果 Table 1   Comparison results between our proposed method and the recent advanced methods of the F1 score, Sensitivity, Accuracy, and AUC Method DRIVE STARE CHASEDB1 F1/% Se/% Acc/% AUC/% F1/% Se/% Acc/% AUC/% F1/% Se/% Acc/% AUC/% Segment[37] — 76.5 95.4 97.5 — 75.8 96.1 98.0 — 76.3 96.1 97.8 DS[11] — 87.3 95.0 98.0 — 76.7 97.1 98.8 — 76.7 97.7 99.0 DUNet[47] — 78.9 97.0 98.6 — 74.3 97.3 98.7 — 82.3 97.2 98.6 Cascade[49] 80.9 76.5 95.4 — 81.3 75.2 96.4 — 78.1 77.3 96.0 — DualUNet[48] 82.7 79.4 95.7 97.7 — — — — 80.4 80.7 96.6 98.1 CE-Net[34] — 83.1 95.5 97.8 — 78.4 95.8 97.9 — — — — STD[40] — 81.5 97.0 98.6 — — — — — — — — IterNet[46] 82.2 77.9 95.7 98.1 81.5 77.2 97.0 98.8 80.7 79.7 96.6 98.5 Our method 83.1 83.7 97.1 98.8 85.8 86.4 97.1 99.1 82.0 84.5 97.7 99.1 3.5    消融实验 为了进一步说明框架中各个组成部分的效 果，本文进行了消融实验. 第一组消融实验验证了骨架的辅助任务和基 于图的结构平滑正则损失分别起到的作用. 首先， 实验使用单任务分割网络 ResNet34 作为基准，在 DRIVE 和 CHASEDB1 训练集上训练，计算出在验 证集上的指标. 然后，网络递增加入了提取骨架的 辅助任务，使用二元交叉熵损失函数训练，评估该 子任务对分割性能的影响. 最后，骨架提取网络的 训练损失中再次递增加入了基于图的结构平滑正 则项，评估该损失的效果. 在 3 个数据集上实验结 果如表 2 所示，实验曲线图如图 5 所示. 实验结果 表明：使用提取骨架的辅助任务的分割模型在两 个验证集上的 F1 值分别达到了 85.0% 和 81.8%， Se 达到了 85.5% 和 83.6%，相比于单任务分割网络 有大幅提升，并且模型在训练中收敛速度较快，说 明骨架特征能够提供给分割网络充分的拓扑和几 何信息，使网络能够准确分割出更完整的血管结 构，而且减小了单任务网络对特征的学习难度；使 用结构平滑正则损失后，F1 值和 AUC 值比单独使 用二元交叉熵平均提高了 0.1%，Se 提升了 0.8%， 说明该损失能够促使模型准确提取出更多细小血 管的骨架，同时也证明了提取出更精确的骨架能 够进一步提高血管分割的效果. 表 2 第一组消融实验结果 Table 2   Results of the first ablation experiments Control group DRIVE CHASEDB1 F1/% Se/% Acc/% AUC/% F1/% Se/% Acc/% AUC/% Single task network 84.2 84.6 96.5 98.8 81.3 82.9 97.1 98.8 +Skeleton extraction 85.0 85.5 97.7 99.2 81.8 83.6 97.6 99.0 +Structure loss 85.1 86.3 97.7 99.3 82.0 84.5 97.7 99.1 第二组消融实验验证了框架中主干网络的普 适性，实验将骨架提取网络和血管分割网络的编 码路径共同替换为 ResNet18 和 VGG16 中去除全 连接层的部分. 框架在两个数据集训练完成后，计 算在测试集上的指标，结果如表 3 所示. 3 种主干 网络在 2 个数据集上的指标都较高，说明该框架 具有灵活的适用性. 在 F1 指标上，ResNet34 高于 ResNet18 和 VGG16 实验组，可以推断出效果越好 的单任务网络应用在该框架下会取得一定程度的 提升. 使用 ResNet34 作为主干网络的实验组在两 个数据集的训练损失如图 6 所示. 姜大光等： 骨架图引导的级联视网膜血管分割网络 · 1249 ·