[论文解读] IterNet: Retinal Image Segmentation Utilizing Structural Redundancy in Vessel Networks

Liangzhi Li, Manisha Verma+3 more|arXiv (Cornell University)|Dec 12, 2019

Retinal Imaging and AnalysisMedicine参考文献 3被引用 22

一句话总结

IterNet 提出了一种新颖的迭代精炼框架，用于视网膜血管分割，通过利用血管网络中的结构冗余性，采用小型 UNet 迭代地精炼分割结果。该方法仅使用 10–20 张标注图像且无需预训练，就在 DRIVE、CHASE-DB1 和 STARE 数据集上分别取得了 0.9816、0.9851 和 0.9881 的最先进 AUC 值。

ABSTRACT

Retinal vessel segmentation is of great interest for diagnosis of retinal vascular diseases. To further improve the performance of vessel segmentation, we propose IterNet, a new model based on UNet, with the ability to find obscured details of the vessel from the segmented vessel image itself, rather than the raw input image. IterNet consists of multiple iterations of a mini-UNet, which can be 4$ imes$ deeper than the common UNet. IterNet also adopts the weight-sharing and skip-connection features to facilitate training; therefore, even with such a large architecture, IterNet can still learn from merely 10$\sim$20 labeled images, without pre-training or any prior knowledge. IterNet achieves AUCs of 0.9816, 0.9851, and 0.9881 on three mainstream datasets, namely DRIVE, CHASE-DB1, and STARE, respectively, which currently are the best scores in the literature. The source code is available.

研究动机与目标

• 解决在低对比度、噪声较大的图像中视网膜血管边界被视盘等伪影遮挡时的分割挑战。
• 通过实现从极少数样本中有效学习，克服视网膜图像分割中通常仅 10–20 张图像的标注数据集限制。
• 通过利用结构冗余性（即血管通常形成连续、连通网络的预期）来改善分割连通性并减少误报。
• 开发一种深度学习模型，通过迭代方式精炼自身预测结果，而非直接将原始图像映射到最终输出。
• 在不依赖预训练或先验知识的前提下实现高性能，完全依赖自精炼机制与跨迭代的权重共享。

提出的方法

• IterNet 采用一个基础 UNet，随后是 N−1 个迭代精炼模块（小型 UNet），用于精炼前一阶段的分割输出。
• 每个精炼模块以先前模块的倒数第二层输出作为输入，从而实现渐进式误差校正。
• 在基础 UNet 与每个小型 UNet 之间使用跳跃连接，以保持特征完整性并改善训练过程中的梯度流动。
• 在所有小型 UNet 之间应用权重共享，以减少参数量，并支持在极小标注数据下实现有效训练。
• 为每个精炼阶段分别使用损失函数，从而实现对整个迭代过程的端到端优化。
• 推理阶段采用图像块裁剪与可变步长策略，在精度与速度之间取得平衡，并通过重叠块拼接整合结果。

实验结果

研究问题

• RQ1 当训练数据极度有限时，对血管分割图进行迭代精炼是否能提升性能？
• RQ2 在不依赖原始图像特征的前提下，血管网络中的结构冗余性能在多大程度上被利用以纠正分割错误？
• RQ3 具有共享权重和跳跃连接的级联精炼架构是否在仅有少量标注的情况下优于标准的 UNet 基模型？
• RQ4 精炼迭代次数与图像块处理策略如何影响分割精度与推理速度？
• RQ5 仅基于初始预测结果进行训练的模型，是否仍能在基准数据集上实现最先进性能？

主要发现

• IterNet 在 DRIVE 数据集上达到 0.9816 的 AUC 值，在 CHASE-DB1 上为 0.9851，在 STARE 上为 0.9881，为文献中报告的最高值。
• 该模型显著减少了不连通血管片段的数量，连通性得分分别为 0.9193（DRIVE）、0.9091（CHASE-DB1）和 0.8977（STARE），优于 UNet、DenseNet 和 DUNet。
• 即使在基础 UNet 与小型 UNet 之间不使用跳跃连接的情况下，IterNet 仍保持强劲性能，表明其对架构变化具有鲁棒性。
• 若在精炼阶段使用全尺寸 UNet 而非小型 UNet，则性能下降，证实了轻量化、共享模块的优势。
• 使用步长为 3（密集块处理）的推理耗时约 73.5 秒/图，而步长为 8 时降至约 22.2 秒，显示出精度与速度之间的权衡。
• 可视化结果表明，IterNet 在所有数据集中产生的独立血管片段数量最少，表明其连通性更优且误分裂更少。