[论文解读] Frangi-Net: A Neural Network Approach to Vessel Segmentation

Weilin Fu, Katharina Breininger+4 more|arXiv (Cornell University)|Nov 9, 2017

Retinal Imaging and Analysis参考文献 6被引用 14

一句话总结

本文提出 Frangi-Net，一种传统 Frangi 血管密度滤波器的可微分神经网络实现，可在保留原始滤波器数学公式的前提下实现端到端训练。通过将 Frangi 滤波器重新解释为预加权网络并在眼底图像上进行微调，该方法在健康与患病的视网膜图像中对小血管和中等血管的检测上，相较于原始滤波器实现了高达 17% 的 F1 分数相对提升。

ABSTRACT

In this paper, we reformulate the conventional 2-D Frangi vesselness measure into a pre-weighted neural network ("Frangi-Net"), and illustrate that the Frangi-Net is equivalent to the original Frangi filter. Furthermore, we show that, as a neural network, Frangi-Net is trainable. We evaluate the proposed method on a set of 45 high resolution fundus images. After fine-tuning, we observe both qualitative and quantitative improvements in the segmentation quality compared to the original Frangi measure, with an increase up to $17\%$ in F1 score.

研究动机与目标

• 将 Frangi 血管密度滤波器中的先验知识整合到可微分神经网络框架中，以实现视网膜血管分割。
• 克服传统 Frangi 滤波的局限性，如固定参数设置以及无法适应图像特定变化的问题。
• 通过实现血管密度计算的数据驱动微调，提升分割性能，特别是对小血管和中等血管的检测能力。
• 证明基于神经网络重构经典图像处理滤波器可在真实眼底数据上训练后，性能优于原始方法。

提出的方法

• 利用 Hessian 矩阵和特征值分析，将二维 Frangi 血管密度滤波器重构为预加权神经网络（Frangi-Net）。
• 通过三尺度分辨率层次结构实现网络构建：原始图像、2× 下采样和 4× 下采样图像块，每个图像块均使用初始化为二阶高斯导数的二维卷积层进行处理。
• 基于原始 Frangi 方程，使用可微分操作计算特征值和血管密度响应，确保反向传播的可微性。
• 采用 Dice 系数损失函数，并使用学习率为 1e-6、动量为 0.5 的随机梯度下降法优化网络参数。
• 在高分辨率眼底图像上，采用基于图像块的端到端训练策略，批量大小为 250，全数据集训练 3000 步。
• 通过 Sigmoid 激活函数将原始血管密度得分分布转换为概率图，从而生成二值分割输出。

实验结果

研究问题

• RQ1 经典 Frangi 血管密度滤波器能否被有效重构为可微分神经网络，以实现数据驱动的优化？
• RQ2 在真实眼底图像上对 Frangi-Net 进行微调后，是否能在血管分割质量上实现可测量的提升，相较于原始固定参数滤波器？
• RQ3 Frangi-Net 在不同视网膜病理情况（如糖尿病性视网膜病变、青光眼）下的性能表现如何，相较于健康情况？
• RQ4 该网络在小血管和中等血管检测方面的性能提升程度如何，这些血管常被传统滤波器遗漏？

主要发现

• 微调后，Frangi-Net 在患病眼底图像上的 F1 分数相较于原始 Frangi 滤波器提升了 17% 的相对幅度。
• 健康眼底图像的 F1 分数从 0.669 提升至 0.712，表明在定性和定量层面均有显著改善。
• 训练后，网络成功检测到原始方法遗漏的中等和小血管，该结果在分割对比图中已视觉确认。
• 所有评估指标——准确率、精确率和召回率——在所有数据集上均有所提升，其中在患病病例中提升最为显著。
• 使用 Dice 系数损失函数相比标准交叉熵损失，能更好地对齐边界并减少假阳性结果。
• 该网络在保持与原始 Frangi 滤波器数学等价性的同时，实现了可学习参数，证明了经典-可微分混合架构的可行性。