[论文解读] Fully Automated Tree Topology Estimation and Artery-Vein Classification

Aashis Khanal, Saeid Motevali+1 more|arXiv (Cornell University)|Feb 4, 2022

Retinal Imaging and Analysis被引用 4

一句话总结

本文提出了一种完全自动化的基于图的方法，用于从单色眼底图像中估计视网膜血管拓扑结构并进行动脉-静脉分类。该方法结合了基于深度学习的血管和AV概率图，引入一种新颖的成本函数以及高层图操作，以纠正拓扑错误，在无需人工干预的情况下实现了最先进（SOTA）的AV分类准确率。

ABSTRACT

We present a fully automatic, graph-based technique for extracting the retinal vascular topology -- that is, how different vessels are connected to each other -- given a single color fundus image. Determining this connectivity is very challenging because vessels cross each other in a 2D image, obscuring their true paths. We quantitatively validated the usefulness of our extraction method by using it to achieve comparable state-of-the-art results in retinal artery-vein classification. Our proposed approach works as follows: We first segment the retinal vessels using our previously developed state-of-the-art segmentation method. Then, we estimate an initial graph from the extracted vessels and assign the most likely blood flow to each edge. We then use a handful of high-level operations (HLOs) to fix errors in the graph. These HLOs include detaching neighboring nodes, shifting the endpoints of an edge, and reversing the estimated blood flow direction for a branch. We use a novel cost function to find the optimal set of HLO operations for a given graph. Finally, we show that our extracted vascular structure is correct by propagating artery/vein labels along the branches. As our experiments show, our topology-based artery-vein labeling achieved state-of-the-art results on three datasets: DRIVE, AV-WIDE, and INSPIRE. We also performed several ablation studies to separately verify the importance of the segmentation and AV labeling steps of our proposed method. These ablation studies further confirmed that our graph extraction pipeline correctly models the underlying vascular anatomy.

研究动机与目标

• 开发一种完全自动化的系统，用于从单眼底图像中估计视网膜血管拓扑结构，克服二维投影中血管交叉带来的挑战。
• 通过利用拓扑结构而非仅依赖深度学习模型，提升动脉-静脉分类的准确率。
• 构建一个通用的、可解释的血管特征提取流水线，适用于多种视网膜疾病。
• 验证该方法在不同数据集上的鲁棒性与泛化能力，且仅需极少的超参数调优。
• 通过在一个统一框架中集成血管分割、拓扑推断与标签传播，实现端到端、可解释的诊断。

提出的方法

• 该方法首先使用两个U-Net卷积神经网络，从眼底图像（$I$）生成血管概率图（$\hat{I}_p$）和AV可能性图（$\hat{I}_{av}$）。
• 应用多级骨架化以提取血管结构的初始联合图，随后通过图收缩去除冗余组件。
• 使用Dijkstra最短路径算法提取无向拓扑图，再通过基于血管几何形状与颜色的流量分配算法将其定向化。
• 一种新颖的成本函数指导一系列高层图操作（HLOs）——包括节点分离、边端点移动与流量反向——以最小化拓扑错误。
• 将AV先验（$\hat{I}_{av}$）映射到有向图（$g_d$）上，并通过标签传播步骤沿估计的血管分支分配动脉/静脉标签。
• 成本函数综合了多种因素：血管置信度（$w_v$）、Lab空间中的颜色相似性（$w_c$）、基于宽度的权重（$w_w$），以及一个排斥因子（$\Gamma$），以防止血管路径重叠。

实验结果

研究问题

• RQ1 在存在血管交叉的情况下，完全自动化、基于图的方法能否准确地从单张二维眼底图像中重建视网膜血管拓扑结构？
• RQ2 与仅依赖像素级特征的深度学习模型相比，引入拓扑结构在多大程度上提升了动脉-静脉分类性能？
• RQ3 该提出的拓扑结构估计流水线在不同数据集上（图像质量与血管特征各异）的鲁棒性如何？
• RQ4 各组件——血管分割、拓扑校正与标签传播——对最终AV分类准确率的贡献分别是什么？
• RQ5 所提取的图表示能否支持临床相关特征（如血管断裂或假性视盘）的检测？

主要发现

• 所提方法在三个基准数据集（DRIVE、AV-WIDE和INSPIRE）上实现了最先进（SOTA）的动脉-静脉分类准确率。
• 该系统在INSPIRE数据集上表现出良好的泛化能力，且仅需极少的超参数调整，表明其具备强大的鲁棒性与可迁移性。
• 消融研究证实，更优的血管分割先验可直接提升拓扑结构的准确性，验证了模型对血管解剖结构的忠实性。
• 该方法优于半自动技术，且在血管召回率更低的情况下仍表现更优，表明拓扑感知处理可有效补偿分割误差。
• 基于图的表示成功识别出潜在的血管中断（如断裂或阻塞），这些可能作为诊断指标。
• 沿估计的拓扑结构进行标签传播，获得了稳定且准确的AV分类结果，证明了所提取图结构的实用性。