基于人工智能的近视弧分割方法实例
（一）近视弧自动分割网络
本实例中自动分割网络流程，如图6-36所示。该网络以U-Net为主干网络，引入了Res2Net神经网络构建块，生成5层卷积层。前2层{f i，i＝1，2}用来提取富含上下文信息的低层特征图，后3层{f i，i＝3，4，5}提取的高层特征图则包括更多的局部信息。在低层和高层特征卷积层中间加入边缘注意力模块，用来提取病灶区域的边缘特征信息。同时，使用平行的部分解码器聚合多尺度高层特征信息，生成全局映射图。此外，低层特征图在全局映射图的作用下，输入到各级反向注意力模块。这些反向注意力模块相互级联，可以聚合低层特征与高层特征信息。平行的部分解码器和各级反向注意力模块生成的特征预测图都会与真实标签特征图进行深度监督连接，以提高分割的精确度。最后一级反向注意力模块生成的特征信息通过Sigmoid激活函数进行激活，从而生成最终的病灶区域分割预测图。
（二）数据集
国内外高度近视眼底彩照数据集较少，网上可以检索到的只有iChallenge-PALM上的26张图片，不能满足分割网络训练的需要。本实例从南京医科大学附属眼科医院获得了400多张初始数据集，并对数据进行了初步的处理：剔除模糊的图片和眼底变形严重的图片，将长方形的图片裁剪成正方形，并统一尺寸。最后得到了质量较好的360张眼底彩照。然后使用制作标签工具对伴视盘萎缩区域进行标注，获得真实标签图，标注工作在专业医生的指导下进行。本实例所使用眼底彩照的图片分辨率为352×352，边缘图则由真实标签图通过Adobe Illustrator 2019处理得到。并且，为了强调伴视盘萎缩分割区域，同时减少图片所占内存，对眼底彩照进行灰度化处理。最终获得完整的有真实分割标签的数据集见图6-37。
图6-36 自动分割网络流程图
图6-37 数据集
本实例中将训练集和测试集以4∶1的比例划分，即288张训练集图片和72张测试集图片。
（三）训练策略
训练选用Adam优化算法作为优化器，初始学习率为0.000 1，网络设置训练总轮次为50，批处理大小为16，即一次处理16张图片的信息。
梯度截断能避免网络梯度爆炸，使训练过程更加稳定，实验设置梯度截断的裕度为0.5。参数num_workers设置为8，可以加快寻找批数据的速度。在Adam优化算法中使用学习率衰减的有效性已经得到了论证。网络在训练25轮时使用学习率衰减，衰减率为0.1。
采用切片扩增的方式对数据集进行扩增，将切片大小设置为48×48，切片数量为115 200。
（四）分割结果
图6-38是网络分割病灶区域的可视化结果，表6-12是网络分割结果在不同指标上的得分。
图6-38 分割结果
针对病灶轮廓不规则的问题，本实例采用增加边缘注意力模块的方式，在训练阶段提取病灶区域的轮廓特征并进行特征学习，训练得到的模型可以生成边界更加清晰的预测图。针对U-Net网络受视盘严重干扰的问题，本实例使用平行的部分解码器模块和反向注意力模块来得到更多的高低层融合特征，这有助于网络学习区分伴视盘萎缩和视盘，在预测阶段避免分割出视盘。
表6-12 分割结果指标
