基于实例分割神经网络的人类视网膜图像稳健半自动血管追踪研究：为视网膜疾病分析开辟新路径

《SCIENCE ADVANCES》：Robust semi-automatic vessel tracing in the human retinal image by an instance segmentation neural network

为解决人类视网膜血管追踪难题，研究人员开展了基于实例分割神经网络（InSegNN）的血管追踪研究。结果显示，该算法特异性达 83%，对称最佳骰子（SBD）比文献提高 50%，精度达 91%，灵敏度 71% 。这为视网膜疾病相关血管形态分析奠定了基础。

　　在人类的视觉系统中，视网膜犹如一台精密仪器，其血管系统对维持正常视觉功能起着关键作用。视网膜血管的形态和层次结构，与血液灌注密切相关，一旦出现异常，就可能引发多种严重的眼部疾病，像糖尿病视网膜病变、视网膜血管阻塞以及青光眼等，这些疾病影响着全球数百万人的视力健康。为了深入了解这些疾病的发病机制，实现早期检测和有效监测疾病进展，准确量化视网膜血管结构就显得至关重要。然而，从视神经头（ONH）追踪视网膜血管分支是一项极具挑战性的任务，传统的算法在处理血管交叉和重叠问题时存在诸多局限性，难以满足临床和科研的需求。

在这样的背景下，研究人员开展了一项旨在利用实例分割神经网络（InSegNN）实现人类眼底图像稳健半自动血管追踪的研究。这项研究成果发表在《SCIENCE ADVANCES》上，为视网膜血管研究领域带来了新的突破。

研究人员采用的主要技术方法包括：首先，将血管追踪定义为实例分割任务，构建 InSegNN 模型。该模型通过判别损失函数，生成独特的 n 维特征空间，便于利用聚类算法分离血管实例。其次，运用伪时间学习、空间多采样和动态概率图这三种策略，增强模型的稳健性和准确性。在实验过程中，使用公开的 DRIVE 数据集以及来自 Wilmer Eye Institute 的 22 张宽视野眼底照片进行测试，对模型进行优化和评估。

研究结果

1. 追踪流程概述：研究设计了一套完整的血管追踪流程。从眼底图像开始，通过手动标注 “根” 向量确定起始点，定义 “补丁”。InSegNN 对每个补丁内的血管实例进行单独标注，在补丁边界找到新的起始点并不断迭代，更新概率图以排除其他树的血管，最终输出分离的血管树及其分支序列。
2. 实例分割神经网络：InSegNN 模型能输出补丁内所有血管的实例分割标签。编码器提取血管的多尺度特征，解码器将特征转换为记录像素在 12 维嵌入空间位置的地图。通过添加包含 3D 因果卷积层的时间模块，实现伪时间学习，让模型具备 “记忆”，提升性能。
3. 单个补丁的实例分割：利用 DRIVE 数据集对 InSegNN 进行测试，结果表明该模型能准确标注补丁内的血管实例。通过对称最佳骰子（SBD）等指标定量评估，发现 InSegNN 在特异性和 SBD 方面优于基线 U - net。添加时间模块后，模型特异性提高，在独立的宽视野眼底照片测试中，也取得了较好的结果。
4. 全局血管追踪性能：为实现全图像的血管追踪，研究人员开发了一种包含两次迭代的算法。第一次迭代进行空间多采样，生成概率图；第二次迭代遍历所有新起始点，动态更新概率图。实验显示，该算法在不同数据集上都能有效区分不同血管树，保留血管分支层次结构。量化结果表明，算法在 DRIVE 数据集和宽视野眼底图像上分别取得了一定的灵敏度和精度。

研究结论与讨论

本研究提出的半自动血管追踪方法，通过基于嵌入的模型和多种策略，实现了对视网膜血管的有效追踪，为后续血管形态学量化奠定了基础。然而，该方法也存在一些局限性，如训练数据有限、对复杂拓扑情况处理能力不足、当前算法需要手动标注起始点以及不适用于毛细血管网络等。针对这些问题，研究人员提出了未来的改进方向，包括利用血管的独特特征和拓扑结构作为先验信息，以及将子实例作为基本单元进行后处理或手动评估。

总的来说，这项研究开发的血管追踪算法为视网膜血管分析提供了有力工具，尽管存在不足，但在未来进一步优化和拓展应用后，有望在视网膜疾病的诊断、治疗评估等方面发挥更大的作用，推动视网膜疾病研究和临床实践的发展。