Page 471 - 《软件学报》2024年第6期

胡凯 等: 基于端到端深度神经网络和图搜索的 OCT 图像视网膜层边界分割方法 3047

况下, 对于层边界的分割更加准确, 特别是 RBC 层边界. 从表 5 和表 6 中可以看出, GLFR-Net [55] 和 MAG-Net [54] 等
基于深度神经网络的单阶段方法普遍具有较大的边界分割误差, 其中 GLFR-Net [55] 通过重建全局和局部特征实现
特征提取的方案在没有图搜索算法的情况下实现了小幅度的误差下降. 本文所提出的 AGR-Net 利用 GRU 提取全
局特征的方式考虑到了视网膜层自身水平特性, 在推理速度稍下降的情况下极大地提高了分割精度, 且在两个数
据集上较基于深度神经网络的单阶段方法均具有更小的误差. 更进一步地, 当引入图搜索算法后, 虽计算量稍有增
加, 但分割误差被进一步降低.

(a) Original image (b) Bern segmentation (c) OCTRIMA segmentation

(d) IOWA segmentation (e) Spectralis segmentation (f) AURA segmentation

(i) DFCN-GS segmentation
(h) MCNN-GS segmentation
(g) DCNN-GS segmentation 节可知, 数据集

(j) U-Net-GS segmentation (k) Manual segmentation (l) AGR-Net-GS segmentation
图 8 在数据集 1 上与已有方法的分割效果的比较

3.4.5 病例分析
不同疾病情形给算法在层边界分割方面带来了不同程度的困难与挑战, 为了本文对两个数据集进行了案例分
析, 其可视化结果如图 10 所示. 由第 3.1 1 和 2 分别包含不同疾病患者的视网膜 OCT 图像, 其中
数据集 1 中均为轻度非增殖性糖尿病视网膜病变的患者, 而数据集 2 中均为年龄相关性黄斑变性的患者. 由图 10
可知, 黄斑变性患者的视网膜层变形程度与糖尿病患者相比更加严重. 如图 10(a) 所示, 对于糖尿病病变造成的视
网膜层轻微形变, 导致了 AGR-Net-GS 的分割结果与真实边界存在较小的差异, 而对于如图 10(b) 所示的 AMD 造
成的严重视网膜病变情形, 由于病变引起的层边界严重形变和不均匀, AGR-Net-GS 在提取全局特征时受到了更
多的病变影响, 从而导致分割结果会存在些微的偏差, 但依然能够非常接近真实边界. 综合实验数据分析, 本文方
法在这两个具有不同病变情况的数据集上均有着不错的表现, 这也表明本文所提方法对不同疾病所造成的视网膜
病变均有一定的适用性.