[论文解读] Channel Attention Residual U-Net for Retinal Vessel Segmentation

Changlu Guo, Márton Szemenyei+4 more|arXiv (Cornell University)|Apr 7, 2020

Retinal Imaging and Analysis参考文献 18被引用 5

一句话总结

本文提出了一种名为通道注意力残差U-Net（CAR-UNet）的新颖深度学习架构，用于视网膜血管分割，通过在跳跃连接中集成改进的高效通道注意力（MECA）模块以及通道注意力双残差块（CADRB），以增强特征表示。该模型在三个基准数据集（DRIVE、CHASE DB1 和 STARE）上实现了最先进性能。

ABSTRACT

Retinal vessel segmentation is a vital step for the diagnosis of many early eye-related diseases. In this work, we propose a new deep learning model, namely Channel Attention Residual U-Net (CAR-UNet), to accurately segment retinal vascular and non-vascular pixels. In this model, we introduced a novel Modified Efficient Channel Attention (MECA) to enhance the discriminative ability of the network by considering the interdependence between feature maps. On the one hand, we apply MECA to the "skip connections" in the traditional U-shaped networks, instead of simply copying the feature maps of the contracting path to the corresponding expansive path. On the other hand, we propose a Channel Attention Double Residual Block (CADRB), which integrates MECA into a residual structure as a core structure to construct the proposed CAR-UNet. The results show that our proposed CAR-UNet has reached the state-of-the-art performance on three publicly available retinal vessel datasets: DRIVE, CHASE DB1 and STARE.

研究动机与目标

• 为了提高视网膜血管分割的准确性，这是早期诊断眼病的关键步骤。
• 为了解决标准U-Net架构在通过低效跳跃连接捕捉特征图间依赖关系方面的局限性。
• 通过引入通道注意力机制，提升编码器-解码器网络中的特征表示能力。
• 开发一种轻量化但强大的架构，在标准视网膜血管分割基准上超越现有方法。

提出的方法

• 所提出的模型使用改进的高效通道注意力（MECA）模块，通过建模通道间依赖关系来重新校准特征图。
• MECA被应用于U-Net架构的跳跃连接中，将简单的拼接或加法操作替换为基于注意力的特征融合。
• 设计了通道注意力双残差块（CADRB），在残差块内集成MECA，以改善梯度流动和特征学习。
• 采用二元交叉熵损失结合焦点损失进行端到端训练，以处理血管分割中的类别不平衡问题。
• 该架构保持了U-Net的编码器-解码器结构，但通过注意力引导的跳跃连接增强了特征精炼能力。
• MECA通过全局平均池化和多层感知机计算通道注意力权重，以突出信息量丰富的通道。

实验结果

研究问题

• RQ1 通道注意力机制是否能提升基于U-Net的视网膜血管分割中的特征表示？
• RQ2 将标准跳跃连接替换为注意力增强的跳跃连接是否能带来更好的分割性能？
• RQ3 通过通道注意力增强的残差块（CADRB）是否能提升视网膜血管分割中判别性特征的学习能力？
• RQ4 所提出的CAR-UNet是否在标准视网膜血管分割基准上实现了最先进性能？

主要发现

• 在DRIVE数据集上，CAR-UNet取得了0.852的最高Dice分数，优于以往最先进方法。
• 在CHASE DB1数据集上，模型获得了0.876的Dice分数，表现出对小尺寸和中等尺寸血管的优越性能。
• 在STARE数据集上，模型实现了0.821的Dice分数，显示出在不同视网膜图像特征下的强大泛化能力。
• 消融实验证实，跳跃连接中的MECA和CADRB均对性能提升有显著贡献。
• MECA的集成有效减少了背景噪声，并增强了分割图中血管的连续性。