62——A hybrid deep segmentation network for fundus vessels viadeep-learning framework

Yang L, Wang H, Zeng Q, et al. A hybrid deep segmentation network for fundus vessels via deep-learning framework[J]. Neurocomputing, 2021, 448: 168-178.

然而，由于粗血管和细血管比例不平衡，现有的分割方法在眼底图像微血管提取任务中存在不足。针对这一问题，本文提出了一种新的基于多任务分割网络和融合网络的眼底血管深度图像混合分割方法。该方法利用多任务分割网络对眼底图像中的粗血管和细血管分别进行精确分割。此外，设计了一个有效的损失函数来适应两种不同的血管分割任务，最终解决了这两种血管之间的比例不平衡问题。此外，提出了一种改进的U-net网络模型作为基本分割网络，以保证多任务分割网络的分割性能。结合这些网络，我们还提出了融合网络来融合这两种血管，得到融合图像作为眼底血管的最终分割结果。在DRIVE、STARE和CHASE_DB1等多个不同的眼底图像公共数据集上验证了所提出的分割方法。

这些深度网络模型通过统一的像素级损失训练，用于同时分割粗血管和细血管。但是，细血管所占据的像素相对于整个眼底图像来说太小，对分割网络的损失太小，不能很好地指导网络的训练。由于粗血管和细血管比例高度不平衡，Yan等人提出了一种三阶段深度学习模型，可以有效提高眼底血管特征[31]的分割精度。然而，由于粗细血管是在两个独立的网络中训练的，因此忽略了粗细血管之间的相互关系。

多任务细分模块Multitask segmentation module

为了对眼底图像中的粗血管和细血管进行精确分割，本文构建了一种多任务分割网络，对粗血管和细血管进行高精度图像分割。如图1所示，它包括一个通用编码器和两个分割网络分支。将眼底图像送入多任务分割网络后，编码器提取粗血管和细血管的图像特征，分别发送给两个独立的解码器。

我们以U-net网络为基线，建立一个轻量级的眼底血管分割网络。对于U-net网络，编码器和解码器之间的跳跃连接可以有效地增强上下文信息，提高分割精度[25,35]。受此启发，我们提出了一种改进的U-net网络作为多任务分割网络的基本分割网络，如图2所示。

 为了保证基本分割网络的分割性能，编码器和解码器之间增加了更多的跳跃式连接。在此基础上，U-net网络中增加了3个跳跃式连接，增强了上下文信息。为了对眼底图像中的粗血管和细血管进行精确分割，采用改进的U-net网络构建多任务分割网络。它包括三个部分:一个骨干网络和两个网络分支。利用骨干网对眼底图像进行特征表达，利用两个网络分支对粗血管和细血管进行图像分割。改进后的U-net网络的编码器作为骨干网络，改进后的U-net网络的解码器用于构造厚容器和薄容器两个分割网络分支。

损失函数也是分割网络的核心部分。该方法的整个训练过程分为两步:粗血管和细血管图像分割和图像融合。第一步，对眼底血管进行分割，得到粗血管和细血管的粗分割图。第二步将这两种血管融合，得到最终的分割结果。