[论文解读] A Two-Stream Meticulous Processing Network for Retinal Vessel Segmentation

Shaoming Zheng, Tianyang Zhang+3 more|arXiv (Cornell University)|Jan 15, 2020

Retinal Imaging and Analysis参考文献 12被引用 4

一句话总结

本文提出了一种用于视网膜血管分割的双流精细处理网络（MP-Net），通过使用分层形态学操作自动将真实标签掩膜按厚度层级分层，从而提升对细小血管和边界区域的检测能力。该模型采用双流对抗网络结构，结合平衡损失函数与特征融合，在 DRIVE、STARE 和 CHASE_DB1 数据集上优于当前最先进方法，分别取得了 0.9844、0.9883 和 0.9858 的 SOTA AUC 分数。

ABSTRACT

Vessel segmentation in fundus is a key diagnostic capability in ophthalmology, and there are various challenges remained in this essential task. Early approaches indicate that it is often difficult to obtain desirable segmentation performance on thin vessels and boundary areas due to the imbalance of vessel pixels with different thickness levels. In this paper, we propose a novel two-stream Meticulous-Processing Network (MP-Net) for tackling this problem. To pay more attention to the thin vessels and boundary areas, we firstly propose an efficient hierarchical model automatically stratifies the ground-truth masks into different thickness levels. Then a novel two-stream adversarial network is introduced to use the stratification results with a balanced loss function and an integration operation to achieve a better performance, especially in thin vessels and boundary areas detecting. Our model is proved to outperform state-of-the-art methods on DRIVE, STARE, and CHASE_DB1 datasets.

研究动机与目标

• 为解决由于血管像素分布中类别不平衡导致的细小视网膜血管和边界区域分割性能差的问题。
• 开发一种自动的分层形态学方法，将真实标签掩膜按不同厚度层级分层，以提升训练的敏感性。
• 设计一种双流对抗网络，以同时学习一般血管特征与细小血管特异性特征，从而增强检测能力。
• 通过逐像素的逻辑或（OR）操作融合双流预测结果，并应用平衡损失函数，减轻对较粗血管的偏向。
• 在标准视网膜血管分割基准上验证模型的优越性，特别是在细小血管检测方面的表现。

提出的方法

• 一种自动分层方法利用逐级增大核尺寸的开运算，根据血管直径将真实标签掩膜分层，其中血管直径通过血管边界曲线之间的弗雷chet距离定义。
• 该方法将分层定义为满足 d_c < δ ≤ d_{c+1} 的区域，其中 δ 为血管直径，通过中间掩膜 M_{δ>d} 的集合差运算推导得出。
• 提出一种双流架构：其中一流处理原始、主干及细小血管分层以学习通用特征，另一流则专门聚焦于细小分层以进行特异性特征学习。
• CE-GAN 的生成器基于 CE-Net 架构，判别器则被训练以区分真实与生成的分割图，从而提升特征的真实性。
• 在各分层上应用平衡损失函数以缓解类别不平衡问题，最终通过逐像素 OR 操作融合预测结果，以保留细小血管的细节。
• 模型在 DRIVE、STARE 和 CHASE_DB1 数据集上端到端训练，使用标准指标（包括 AUC、准确率、敏感性与特异性）进行评估。

实验结果

研究问题

• RQ1 能否通过按厚度层级自动分层视网膜血管掩膜，提升对细小血管和边界区域的分割性能？
• RQ2 是否双流对抗网络架构（其中一流专门用于细小血管）相比单流模型能实现更好的检测效果？
• RQ3 在厚度分层上应用平衡损失函数是否能减少模型学习中的偏向，从而提升对代表性不足的细小血管类别的性能？
• RQ4 通过逐像素 OR 操作融合通用特征与细小特异性特征，对最终分割精度有何影响？
• RQ5 所提出的 MP-Net 在标准视网膜血管分割基准上的表现，相较于 SOTA 方法在多大程度上具有优势？

主要发现

• 在 DRIVE 数据集上，MP-Net 达到 0.9844 的 AUC，优于以往 SOTA 方法，尤其得益于对细小血管数据的引入。
• 在 STARE 数据集上，模型取得 0.9883 的 AUC，显示出在检测细小血管和边界区域方面的卓越性能。
• 在 CHASE_DB1 上，模型记录下 0.9858 的 AUC，表明在具有不同血管特征的多样化数据集上均表现出一致的改进。
• 消融实验表明，各组件（分层、双流设计、细小血管专用训练）均对性能提升有显著贡献，完整模型在所有数据集上均达到最高 AUC。
• 模型在 DRIVE 和 CHASE_DB1 上达到最高特异性，在 STARE 上达到最高敏感性，表明其在不同数据集上均具备强大泛化能力与鲁棒性。
• 使用分层形态学开运算实现的自动分层方法，可在无需标注厚度标签的情况下，实现对厚度层级的敏感性。