Page 330 - 《软件学报》2021年第11期

3656 Journal of Software 软件学报 Vol.32, No.11, November 2021

因此,Red-Seg 模型在训练过程和运行效率上比 IDRiD 竞赛队伍的模型更有优势.
表 5 是在融合不同尺度特征情况下,微动脉瘤的分割效果对比.与 Red-Seg 中只融合了 conv2~conv4 的特征
相比,加入 conv5 的特征并没有带来分割效果的提升.主要原因是 conv5 的特征图是原图下采样 16 倍得到的,
丢失了大量细节信息,所以经过上采样之后,分割结果较粗糙(如图 7(e)所示).另外,在 Red-Seg 中融合 conv1 的特
征也没有带来性能提升.主要原因是 conv1 的特征图感受野小,虽然保留了细节信息,但是没有学到太多语义信
息(如图 7(a)所示).
Table 5 Comparison of segmentation performance of microaneurysms under different
feature fusion methods (using one-stage training)
表 5 不同特征融合方式下微动脉瘤的分割性能对比(使用一阶段训练)
微动脉瘤
方法
准确率 召回率 AUC_PR
conv2+conv3+conv4 0.487 5 0.492 6 0.466 9
conv2+conv3+conv4+conv5 0.485 2 0.487 9 0.447 7
conv1+conv2+conv3+conv4 0.486 4 0.489 7 0.464 7

(a) (b) (c) (d) (e)
Fig.7 From left to right, segmentation probability maps for microaneurysms of conv1~conv5
correspond to the supervision loss
图 7 从左到右依次为 conv1~conv5 对应监督损失的微动脉瘤分割概率图
4 总结与展望

分割眼底病变点是一件具有挑战性的任务.本文提出了一种基于多任务学习的、可以同时分割出血点和微
动脉瘤的网络模型 Red-Seg.网络中使用两个分支分别对不同的病变点进行分割,并且网络中使用多尺度特征
融合和深度监督的方法得到更准确的分割结果.同时,本文提出了一种两阶段训练算法:第 1 阶段使用改进的
Top-k 带权交叉熵损失函数,第 2 阶段直接最小化假阳性和假阴性来减少病变点分割中的误分情况.本文在
IDRiD 数据集上进行实验,结果表明,两阶段训练算法可以显著减少误分,而且 Red-Seg 与其他方法和 IDRiD 竞
赛队伍相比体现出了较好的优势.最后,模型将在 https://github.com/guomugong/Red-Seg 开源.
在眼底病变点分割方向仍存在若干问题有待解决.
• 第一,从数据的角度来看,目前仍缺少大规模的公开眼底病变点标注数据集.IDRiD 数据集的规模仅仅
为 81 张,与深度学习动辄上亿的参数量对比,这种数据量是远远不够的.数据不足的问题已经成为影响
深度学习在眼底病变点检测领域应用的关键因素.
• 第二,从技术的角度来看,目前深度学习的基本假设是训练集和测试集服从同一个分布,而在不同的眼
底相机拍摄的眼底图像中病变点的特征存在差异,这就使得在一个眼底相机拍摄的图像上训练的模
型在其他眼底相机拍摄的图像上预测时会造成诊断效果的下降.
因此,如何提高分割网络的泛化性也是临床应用上的一个重要问题.

References:
[1] Wong TY, Sun J, Kawasaki R, et al. Guidelines on diabetic eye care: The Int’l council of ophthalmology recommendations for
screening, follow-up, referral, and treatment based on resource setting. Ophthalmology, 2018,125(10):1608−1622. [doi: 10.1016/j.
ophtha.2018.04.007]