[论文解读] Connection Sensitive Attention U-NET for Accurate Retinal Vessel Segmentation

Ruirui Li, Mingming Li+2 more|arXiv (Cornell University)|Mar 13, 2019

Retinal Imaging and Analysis参考文献 25被引用 36

一句话总结

介绍 CSAU，一种结合连接敏感损失与注意力门的视网膜血管分割模型，以保持细小血管和边界，在 DRIVE、STARE、HRF 上取得领先结果。

ABSTRACT

We develop a connection sensitive attention U-Net(CSAU) for accurate retinal vessel segmentation. This method improves the recent attention U-Net for semantic segmentation with four key improvements: (1) connection sensitive loss that models the structure properties to improve the accuracy of pixel-wise segmentation; (2) attention gate with novel neural network structure and concatenating DOWN-Link to effectively learn better attention weights on fine vessels; (3) integration of connection sensitive loss and attention gate to further improve the accuracy on detailed vessels by additionally concatenating attention weights to features before output; (4) metrics of connection sensitive accuracy to reflect the segmentation performance on boundaries and thin vessels. Our method can effectively improve state-of-the-art vessel segmentation methods that suffer from difficulties in presence of abnormalities, bifurcation and microvascular. This connection sensitive loss tightly integrates with the proposed attention U-Net to accurately (i) segment retinal vessels, and (ii) reserve the connectivity of thin vessels by modeling the structural properties. Our method achieves the leading position on DRIVE, STARE and HRF datasets among the state-of-the-art methods.

研究动机与目标

• 促使对视网膜血管进行准确分割，重点关注细小血管和边界区域。
• 开发一种将连通性与局部结构特性编码进损失函数以引导逐像素分割。
• 在跳跃连接处整合注意力机制，提升对细小血管结构的学习。
• 提出一个新的评估指标，connection sensitive accuracy，用以反映边界和细血管的表现。
• 在公开的视网膜血管基准数据集（DRIVE、STARE、HRF）上展示最先进的性能。

提出的方法

• 提出一个四块块的编码器-解码器 U-Net，类似 Attention U-Net，但具有增强的跳跃连接。
• 引入连接敏感损失 L_cs，将像素级交叉熵按来自局部密度 C_i 的连通系数 θ1、θ2 加权。
• 通过局部 5x5 密度估计和蒙特卡洛采样来定义 C_i，以建模补丁中的连通性概率，从而在 L_cs 中引导 θ1、θ2。
• 结合具有 UP-Link 架构的注意门，计算细化门控系数，并在输出前将最终注意权重连接到特征。
• 端到端使用 AdamW 训练，结合数据增强、多数据集验证和动态学习率策略。
• 引入一个新的准确率指标 ACC_cs，使用连接感知掩码强调边界和细血管的正确性。

实验结果

研究问题

• RQ1 连接感知损失是否能提升细血管和边界细节的保留，相较于标准像素级损失？
• RQ2 将新颖的注意门与连通性引导相结合是否能在分叉和交叉处实现更好的血管勾勒？
• RQ3 与最先进方法相比，CSAU 在已建立的视网膜血管基准数据集（DRIVE、STARE、HRF）的表现如何？
• RQ4 所提出的 connection sensitive accuracy 指标在评估边界和细血管分割性能方面是否有效？
• RQ5 CS 损失和注意门对整体性能的相对贡献是多少？

主要发现

方法	DRIVE ROC AUC	DRIVE PR AUC	DRIVE F1-score	DRIVE 敏感度	DRIVE 准确率	DRIVE ACC_cs
K-Boost	0.9307	0.8464	0.7797	0.7563	0.9456	0.6739
HED	0.9696	0.8773	0.7938	0.7943	0.9475	0.7016
Wavelets	0.9436	0.8149	0.7601	0.7628	0.9387	0.6839
N4-Fields	0.9686	0.8851	0.8021	0.7994	0.9498	0.7178
DRIU	0.9793	0.9064	0.8210	0.8261	0.9541	0.7470
CRFs	–	–	0.7799	0.7829	0.9438	0.6785
VGAN	0.9803	0.9142	0.8277	0.8300	0.9560	0.7537
CSAU	0.9807	0.9157	0.8294	0.8349	0.9563	0.7751

• CSAU 在所报道的方法中，在 DRIVE、STARE、和 HRF 数据集上实现了领先的 F1-score、ROC AUC 和敏感度。
• 在 DRIVE 上，CSAU 将 F1-score 提升最多至 0.?. 相对于 VGAN，并且在 ACC_cs 上高于 DRIU，表明边界和细血管分割能力更好。
• 在 STARE 上，CSAU 获得最佳指标，在 ROC AUC 和 ACC_cs 上相比基线有显著提升。
• 在 HRF 上，CSAU 提供最高的 ROC AUC，并且与公开方法相比，PR AUC 与 F1-score 具有竞争力。
• 一个新的连接敏感准确率指标 ACC_cs 反映了边界和细血管的改进，与分割输出中观察到的定性收益一致。
• 消融研究表明，CS 损失和注意力机制都对性能提升有贡献，结合两者可获得最佳结果。