[论文解读] Joint Learning of Vessel Segmentation and Artery/Vein Classification with Post-processing

Liangzhi Li, Manisha Verma+3 more|arXiv (Cornell University)|May 27, 2020

Retinal Imaging and Analysis参考文献 22被引用 12

一句话总结

本文提出SeqNet，一种两阶段深度学习框架，通过顺序执行视网膜血管分割与动脉/静脉分类来缓解类别不平衡问题，随后进行后处理步骤，利用结构上下文优化预测。该方法在DRIVE数据集上实现了SOTA性能，分割AUC达0.98，分类准确率达0.92。

ABSTRACT

Retinal imaging serves as a valuable tool for diagnosis of various diseases. However, reading retinal images is a difficult and time-consuming task even for experienced specialists. The fundamental step towards automated retinal image analysis is vessel segmentation and artery/vein classification, which provide various information on potential disorders. To improve the performance of the existing automated methods for retinal image analysis, we propose a two-step vessel classification. We adopt a UNet-based model, SeqNet, to accurately segment vessels from the background and make prediction on the vessel type. Our model does segmentation and classification sequentially, which alleviates the problem of label distribution bias and facilitates training. To further refine classification results, we post-process them considering the structural information among vessels to propagate highly confident prediction to surrounding vessels. Our experiments show that our method improves AUC to 0.98 for segmentation and the accuracy to 0.92 in classification over DRIVE dataset.

研究动机与目标

• 为解决视网膜图像分析中的类别不平衡问题，即背景像素远多于血管像素。
• 通过将分割与分类解耦为顺序流程，提升动脉/静脉分类的准确性。
• 利用邻近血管段的结构上下文纠正分类错误的血管段。
• 通过将全局血管结构融入局部预测，提升模型的鲁棒性与泛化能力。
• 在标注数据有限的情况下，实现在公开视网膜图像数据集上的SOTA性能。

提出的方法

• 采用基于UNet的模型SeqNet，按顺序执行血管分割与动脉/静脉分类，减少标签分布偏差。
• 分类分支利用分割结果聚焦于血管区域，避免背景噪声干扰。
• 后处理通过基于厚度与距离度量的结构相似性，将高置信度标签传播至邻近血管段。
• 将分割结果划分为小段，并迭代应用置信度传播规则以纠正错误。
• 相似性度量结合厚度差异（T_ij）与空间距离（D_ij），二者均通过学习函数F_T与F_D建模。
• 传播过程在杯状区域受到限制，以避免因密集重叠血管及分割失败导致的错误。

实验结果

研究问题

• RQ1 与联合学习相比，顺序学习血管分割与动脉/静脉分类是否能提升性能？
• RQ2 利用全局血管结构的后处理在纠正局部分类错误方面有多有效？
• RQ3 结构上下文传播在多大程度上减少了视网膜血管分型中的误分类？
• RQ4 所提方法是否在标准视网膜图像基准上优于现有SOTA模型？
• RQ5 在数据稀缺与高类别不平衡条件下，该方法表现如何？

主要发现

• 在DRIVE数据集上，该方法实现0.98的血管分割AUC，优于现有方法。
• 在DRIVE数据集上，分类准确率达0.92，且对主要血管（≥2px宽度）的F1分数显著提升。
• 在DRIVE数据集上，后处理将中心线分类的F1分数从0.919提升至0.953。
• 在LES-AV数据集上，该方法实现0.930的中心线分类准确率，较基础SeqNet模型提升0.014。
• 后处理步骤通过将置信标签传播至结构相似的邻近段，有效减少了误分类错误。
• 该方法在多种评估掩码下均保持高性能，包括全图、中心线及主要血管区域。