Page 329 - 《软件学报》2021年第11期

郭松 等:基于多任务学习的眼底图像红色病变点分割 3655

与 L-Seg 相比,同样都是图像级的多病变点分割网络,L-Seg 和 Red-Seg 都考虑了难分样本的问题,但是 Red-Seg
微动脉瘤的分割效果要好,主要存在两个原因.
• 一是 L-Seg 中使用多通道的分桶损失函数(multi-channel bin loss),该损失每次迭代保留的负样本个数
不确定,而且个数不是随着训练迭代逐渐较少;由于 Red-Seg 使用改进的 Top-k 带权交叉熵损失函数,
所以随着训练迭代保留的负样本个数逐渐较少,从而网络更集中在难分样本上.
• 二是 L-Seg 仅使用一个损失函数训练,而 Red-Seg 使用两阶段的训练算法训练,在第 2 阶段直接将误分
样本作为优化目标进行训练,因此能够获得更高的分割精度.

(a) 微动脉瘤分割分支融合损失 (b) 出血点分割分支融合损失
Fig.6 Loss curves of Red-Seg on the training set and test set
图 6 Red-Seg 模型在训练集和测试集上的损失曲线

Table 3 Comparison with other lesion segmentation methods
表 3 与其他病变点分割模型的对比
方法 AUC_PR(微动脉瘤) AUC_PR(出血点)
[8]
HED 0.427 1 0.508 4
[8]
FCRN 0.338 3 0.420 0
[8]
DeepLabv3+ 0.151 4 0.477 2
L-Seg [8] 0.462 7 0.637 4
Clément et al [15] − 0.530 0
LWENet [27] 0.344 3 0.376 9
Red-Seg 0.483 9 0.569 5
表 4 是 Red-Seg 与 IDRiD 竞赛前 4 名的对比.
Table 4 Comparison with IDRiD challenge teams
表 4 与 IDRiD 竞赛队伍的对比
方法 AUC_PR(微动脉瘤) AUC_PR(出血点)
VRT (1st) 0.495 1 0.680 4
PATech (2nd) 0.474 0 0.649 0
iFLYTEK-MIG (3rd) 0.501 7 0.558 8
SOONER (4th) 0.400 3 0.539 5
Red-Seg 0.483 9 0.569 5
从表 4 中可以看出,Red-Seg 在微动脉瘤和出血点分割上排名第三位.其中,Red-Seg 微动脉瘤的 AUC_PR
比第一名仅低 1.8%.另外,Red-Seg 属于图像级的分割网络,而竞赛前三名的队伍使用的模型属于图像块级分割
网络.图像块级分割网络与图像级分割网络相比存在两个缺点.
• 第一,图像块级分割网络的训练数据需要人为地根据某些规则从整幅图像中截取,图像块的选取对分
割网络的性能至关重要;而图像级分割网络的训练数据为整幅图像,并不需要人为干涉.
• 第二,图像级分割网络只需一次前向传播便可以得到眼底图像的分割图,而图像块级分割网络需要多
次的前向传播才能得到一幅图像的分割图.