李秉尧，张旭杰，黄良汇，徐 扬，王雪花

（1.佛山科学技术学院 机电工程与自动化学院，广东 佛山 528225；2.佛山科学技术学院 物理与光电工程学院 粤港澳智能微纳光电技术联合实验室，广东 佛山 528225）

0 引言

眼角膜在视觉系统中起着非常重要的作用，角膜的屈光能力占整个眼球屈光能力的3/4，其通透性直接影响视觉观测清晰度，对角膜内皮细胞状况进行观察和判断，是眼科医生诊疗眼部疾病的重要方式[1]。角膜内皮显微图像是角膜组织健康状态诊断信息的重要来源，健康的角膜内皮细胞是大小均匀的、规则的，类似于蜂窝状的六边形。不同的病理原因会导致内皮细胞受损。由于角膜内皮细胞缺乏再生能力，某一位置角膜内皮细胞缺失会导致其他细胞不可预测伸长、变薄和尺寸增大，破坏了角膜内皮细胞六边形的规律性[2]。内皮细胞的过度丢失会导致上皮损伤，增加患致盲性角膜水肿的风险。在出现疾病症状前，往往难以察觉受损角膜内皮细胞，因此需要检测内皮细胞的几何形状来评估角膜内皮细胞的健康状况[3]。

目前，检测角膜的主要方法是由经验丰富的眼科医生手动提取显微图像中角膜内皮细胞的形态，具有一定的个人主观性，且由于角膜内皮细胞数量庞大（每立方毫米含有数千个细胞），提取过程非常繁琐与耗时[4]。此外，某些角膜内皮显微图像中还存在对比度低、镜面反射光照不均等问题，导致专家也很难识别细胞边界。因此，开发一种能够自动分割角膜内皮细胞的方法具有临床意义。

近几年人工智能算法被广泛用于解决各种医学图像分割任务，大量基于深度学习分割角膜的新方法被提出[4-9]。其中，Unet 作为生物医学图像分割中最有效的卷积神经网络之一，被进一步优化性能，应用于分割角膜内皮细胞。例如，Anna Fabijanska 等[10]人利用Unet 网络成功分割角膜内皮细胞；Juan P. Vigueras-Guillén 等[11]和Sierra, Juan S.等[12]团队基于改进UNet 网络解决了识别角膜内皮营养不良症的问题。但目前的方法仍存在分割图像边缘不突出或图像边缘断裂等问题。

本文提出一种DSE-Unet 分割角膜内皮细胞的方法。DSE-Unet 是在Unet 网络架构上引入密集连接层（Dense）和注意力（Se，Squeeze-and-Excitation）模块。一方面，通过Dense 模块提取角膜细胞多尺度的特征信息，提高网络识别细胞形态结构的能力；另一方面，通过Se 模块来抑制无效信息，强调对分割角膜细胞有用的特征，提高网络的分割性能。此外，通过标注角膜细胞中心的方法辅助网络学习细胞边界特征，保持细胞的完整形态。使用公开的Alizarine 角膜内皮图像数据集[13]训练和评估该模型，得到准确率、精确度、灵敏度、特异性和骰子系数分别为91.88%、82.07%、78.20%、95.49% 和80.09%。实验结果表明该算法能自动准确地分割角膜内皮细胞，并保持细胞形态和结构完整，可以为临床医生诊断角膜疾病提供重要的形态信息。

1 网络模型架构

本文提出的DSE-Unet 模型如图1 所示，Unet 结构由两条主路组成：左边为编码器、右边为解码器。编码器通过重复采用卷积和池化操作，可以提取图像上的分类特征。解码器通过重复采用上采样及与对应编码器的特征图进行拼接，可得到特征图。最后用一个1×1 的卷积层对特征图进行降维，并使用Softmax 分类器输出像素级别的分类结果。本文将标准Unet 网络的卷积替换成Dense 模块，并在激活函数与池化层中间插入1×1 卷积层和Se 模块。Dense模块通过创建层与层之间的短路链接，令每一层都可以从损失函数中得到额外的监督，并减少特征的冗余，以加强提取角膜细胞多尺度的特征信息。Se 模块可以通过学习的方式重新校准提取特征的重要程度，因此将Se 模块插入到Dense 模块后可以抑制无效信息，加强对分割角膜细胞有用的特征。

图1 DSE-Unet模型的流程图Fig.1 Flow chart of DSE-Unet model

2 模型训练

本文采用公开数据集Alizarine 的30 张取自用茜素染色的猪眼图像[13]。该数据集由放大200 倍的反相差显微镜（CK 40, Olympus）和模拟相机（SSC-DC50AP, Sony）采集，图像分辨率为768×576，储存为JPEG 格式，每张图像包含平均约232 个细胞（范围从188 到388）。此外，还提供了由眼科专家手动描绘的细胞形态边界的标签图像。本次实验使用两种不同的标注方式对角膜内皮细胞进行标注，如图2 所示，仅标注细胞边界和标注细胞中心作为第三分类的标签。在数据集中随机挑选5 张图像作为测试集，其余25 张图像作为训练集。为了增强数据，在每张训练图像上随机裁剪出1000 张32×32 大小的图像，一共制作出19200 张，其中4800 张作为验证集。为了得到准确可靠的实验结果，本次实验结果采用5 折交叉验证的平均值。

图2 角膜内皮细胞原图和标签Fig.2 Original image and label of corneal endothelial cells

实验在64 位Win10 操作系统中进行，计算机的运行内存为16G，GPU 为NVIDIA GeForce RTX 2080Ti（11GB显存），处理器为Intel(R) Core(TM) i7-7700 CPU @ 3.60GHz。采用Python3.6 和Tensorflow1.14 中的Keras 框架，搭建、训练和验证模型。在实验中，批次大小设置为128，epoch 为50，为了降低过拟合的风险，所有模型训练过程均由Keras随机初始化，没有使用预训练权重。训练过程中使用Adam优化器，初始学习率设置为1e-4。

3 结果与分析

本次实验采用准确率（ACC，Accuracy）、精确率（PPV，Precision）、灵敏度（SE，Sensitivity）、特异度（SP，Specificity）和骰子相似系数（DICE，Dice coefficient）参数[14]来评估角膜内皮细胞分割的性能。

为了对比各模型的性能，表1 中列出了Unet、Res-Unet、Dense-Unet、SE-Unet 以及DSE-Unet 网络分割角膜细胞的评价指标结果。相比其他模型，DSE-Unet 分割角膜细胞的性能最好，证明了Dense 模块可以使网络学习多尺度特征信息，而SE 模块强调有用的特征，从而提高分割角膜细胞的整体性能。

表1 各模型分割角膜细胞的评价指标对比Table 1 Comparison of evaluation indicators for corneal cell segmentation among different models

图3 展示了标注细胞边界和添加细胞中心标注的分割示例结果。图3 第一行原图较为清晰，仅标注边界的二分类方法分割结果较差，但添加细胞中心标注后，可以准确地分割细胞；图3 第二行的角膜内皮细胞图像中存在异常阴影，二分类方法难以分割阴影区内的细胞，而中心标注方法仍可以准确地分割细胞边界。

图3 两种标注方法分割角膜内皮细胞对比示例图Fig.3 Comparative example of two annotation methods for segmenting corneal endothelial cells

为了定量评估细胞中心标注提升分割细胞的性能，表2 中对比了各网络模型使用二分类与细胞中心三分类方法的评价指标。如表2 中数据所示，三分类比二分类标注细胞的方法性能更佳，证明了通过标注角膜内皮细胞的中心和边界，可以提升分割细胞的准确性。

表2 定量分析比较不同模型和方法的性能Table 2 Quantitative analysis and comparison of the performance of different models and methods

4 结论

本文利用DSE-Unet 网络模型在Alizarine 公开数据集上分割角膜内皮细胞，得到准确率、精确度、灵敏度、特异性和骰子系数分别为91.88%、82.07%、78.20%、95.49%和80.09%。相比其他网络模型获得更好的分割细胞性能，证明Unet 结合Dense 和Se 注意力模块能更好地提取表征角膜内皮细胞的鉴别特征。此外，标注细胞中心作为第三分类的方法能进一步提升网络分割细胞的性能。

传统的图像形态学算法分割角膜内皮细胞存在细胞粘连和分割错误等问题，导致分割的细胞形态错误，角膜内皮细胞统计数目偏离真实值等状况。眼科医生依据分割结果分析诊断角膜疾病时，可能会错误判断病情。本文方法能够自动、准确地分割角膜内皮细胞，获得清晰的细胞形态和结构，对协助临床医生诊断角膜疾病方面具有潜在的应用价值。

本文的研究还存在一些不足之处：只训练了单一数据集，细胞形状不具有异质性，在下一步的研究中将添加角膜病变数据集进一步验证该网络模型多数据集的泛化能力。