S3-OCTA：一种基于精确中心线的OCTA图像中视网膜血管分割方法

《Biomedical Signal Processing and Control》：S3-OCTA: A precise centerline-based method for retinal vessel segmentation in OCTA images

视网膜血管分割中提出S3-OCTA模型，结合动态蛇形卷积与迭代边界剥离算法优化中心线提取，并设计clDice损失函数提升分割精度，在OCTA-500、ROSE和OCTA-25K数据集上验证效果。

　　这项研究聚焦于光学相干断层扫描血管成像（OCTA）图像中血管状态的分析，旨在提升视网膜疾病的诊断能力。视网膜血管作为典型的管状结构，其准确的中心线提取和表示对于深度学习分割模型的训练与评估至关重要。本文提出了一种名为S3-OCTA的深度血管分割模型，该模型采用动态蛇形卷积（DSConv）层作为其核心结构。通过引入基于欧拉特征的边界剥离方法，该研究实现了对血管中心线的高效提取，并进一步设计了一种新颖的损失函数，以提升深度分割模型的性能。

在医学影像领域，眼底是人体唯一能够自然、无创地观察到血管的区域，使得通过视网膜血管成像检测诸如黄斑变性、糖尿病视网膜病变、心血管疾病和青光眼等常见疾病成为可能。然而，手动进行视网膜血管分割既耗时又需要专业知识，因此自动化的血管量化成为计算机辅助诊断的重要组成部分。目前，眼底摄影和OCTA是两种主要的非侵入性、广泛应用的医学影像技术，用于观察视网膜血管。眼底摄影通过眼底相机获取二维视网膜图像，能够展示血管、视盘和黄斑等关键结构。而OCTA则是一种三维扫描技术，能够捕捉视网膜毛细血管丛、脉络膜毛细血管和前段血管网络，通过重复在相同位置进行B扫描并分析信号失相关性，从而捕捉运动对比，实现对血液流动的检测。

尽管OCTA在血管形态的精确可视化方面具有显著优势，但其在血管分割任务中仍面临诸多挑战。例如，眼底图像通常表现出较弱的纹理特征，使得细小血管的准确检测变得困难。此外，不同成像设备和采集条件可能导致图像亮度不一致，而病理异常则可能造成血管结构的扭曲。视网膜血管在眼底和OCTA图像中通常从视盘向外辐射，覆盖整个视网膜区域。大血管可能跨越较宽的区域，而密集的毛细血管网络则在局部形成复杂的网格状结构。这要求分割方法不仅具备对整体血管形态的理解能力，还需捕捉到新生血管的分布以及动脉与静脉之间的区分。同时，血管的形状和大小在不同样本中存在差异，进一步增加了分割的复杂性。

在医学影像中，管状结构广泛存在，视网膜血管是其中的典型代表。对管状结构的分割，主要目标是确定其中心线或两侧边界，以追踪其延伸的形态。基于这一观察，clDice从数学角度证明了中心线对管状结构分割拓扑准确性的积极影响，并由此启发了同名的度量标准和损失函数。然而，当前从二值化的真实标签和预测结果中提取中心线的过程仍然不够准确，这限制了clDice损失函数的计算效果。因此，有必要在两个关键方面进行改进：一是深度视觉处理模块的设计，二是中心线提取算法。通过优化深度模型的架构，可以增强其对管状特征的捕捉能力，从而提高二值化预测的准确性。同时，改进中心线提取方法有助于提升clDice损失函数的计算精度，从而通过反向传播优化分割性能。这些相互补充的改进对于提升管状结构分割的有效性和效率具有重要意义。

为了解决上述问题，本文提出了一种新的分割方法，命名为S3-OCTA（蛇形脊柱分割在OCTA图像中）。该方法受到蛇形结构的启发，将视网膜血管比作蛇的身体，其中心线则被视为蛇的脊柱。传统的血管分割方法通常依赖于启发式骨架化或隐式约束，导致中心线不连续或失真。相比之下，本文提出的方法通过迭代边界剥离（IBP）算法，实现了更加明确、数学基础更坚实的中心线提取。将IBP算法嵌入到可微分的拓扑损失函数中，能够确保在训练过程中中心线的准确提取和拓扑结构的保持，从而提高视网膜图像中血管的表示清晰度，并增强不同数据集上的分割性能。此外，该方法在模型训练过程中优化中心线的表示，进一步提升OCTA视网膜血管分割的连续性和准确性。

本文的研究成果主要体现在以下几个方面。首先，我们利用动态蛇形卷积（DSConv）作为深度模型的核心结构，以增强从眼底OCTA图像样本中提取血管结构特征的能力。其次，我们采用迭代边界剥离（IBP）方法优化血管标签中心线的提取过程，提高血管结构的连通性，并进一步将该方法整合到损失函数中，以提升血管分割任务的性能。最后，我们对模型的不同配置和泛化能力进行了全面评估，提供了详细的实验分析，展示了该方法在血管分割任务中的有效性。

为了进一步验证S3-OCTA的性能，本文在多个数据集上进行了实验，包括OCTA-500、ROSE和OCTA-25K。这些数据集是当前研究中最常用且公开的OCTA数据集，尤其适用于评估血管分割性能和测试模型的泛化能力。实验结果表明，S3-OCTA在不同血管类型和数据集上的分割表现均衡，且在OCTA-500数据集上达到了最先进的（SOTA）水平。此外，本文还介绍了OCTA-25K数据集，该数据集包含不同质量的样本，用于定性评估和展示所提出方法的泛化能力。

在深度学习应用于医学影像的背景下，传统的机器学习方法如支持向量机，依赖于人工提取的特征进行血管分割。然而，视网膜血管具有精细、复杂且高度分支的结构，使得传统方法难以准确捕捉这些细节。相比之下，深度学习模型能够实现端到端的学习，自动提取多层次特征，从而有助于识别那些对人类难以感知或描述的生物标志物。本文提出的S3-OCTA方法正是基于这一理念，结合了深度学习的强大特征提取能力与优化的中心线提取算法，以实现更精准的血管分割。

本文的实验结果表明，S3-OCTA在多个数据集上表现优异，尤其是在OCTA-500数据集上取得了最先进的分割结果。这不仅验证了该方法的有效性，也展示了其在实际应用中的潜力。此外，通过引入OCTA-25K数据集，本文提供了更全面的实验分析，进一步证明了所提出方法的泛化能力。这种多数据集的评估方式有助于更准确地衡量模型在不同情况下的表现，并为未来的研究提供参考。

总之，本文提出了一种基于动态蛇形卷积和迭代边界剥离的深度血管分割方法，通过优化中心线提取和拓扑损失函数，提高了血管分割的准确性和连贯性。该方法在多个数据集上表现均衡，具有良好的泛化能力，并在OCTA-500数据集上达到了最先进的水平。通过这一研究，我们希望为视网膜血管分割领域提供一种新的解决方案，推动该技术在临床诊断中的应用。