[论文解读] Multi-scale Neural Networks for Retinal Blood Vessels Segmentation

Boheng Zhang, Shenglei Huang+1 more|arXiv (Cornell University)|Apr 11, 2018

Retinal Imaging and Analysis参考文献 11被引用 14

一句话总结

本文提出一种多尺度卷积神经网络，通过空洞卷积结合低层次与高层次特征，以提升视网膜血管分割性能。该方法在DRIVE、STARE和CHASE数据库上达到最先进性能，在准确率、敏感度、特异度、AUC及测试速度方面均优于现有方法，单张图像推理速度最高可达3秒。

ABSTRACT

Existing supervised approaches didn't make use of the low-level features which are actually effective to this task. And another deficiency is that they didn't consider the relation between pixels, which means effective features are not extracted. In this paper, we proposed a novel convolutional neural network which make sufficient use of low-level features together with high-level features and involves atrous convolution to get multi-scale features which should be considered as effective features. Our model is tested on three standard benchmarks - DRIVE, STARE, and CHASE databases. The results presents that our model significantly outperforms existing approaches in terms of accuracy, sensitivity, specificity, the area under the ROC curve and the highest prediction speed. Our work provides evidence of the power of wide and deep neural networks in retinal blood vessels segmentation task which could be applied on other medical images tasks.

研究动机与目标

• 解决现有监督视网膜血管分割模型中低层次特征利用不足的问题。
• 通过空洞卷积引入多尺度上下文信息，提升特征表示能力。
• 通过跳跃连接融合低层次特征与高层次语义特征，提升分割性能。
• 实现高精度与快速推理速度，以支持临床实时部署。
• 在病变、中央血管反光及低对比度微血管等挑战性条件下评估模型鲁棒性。

提出的方法

• 采用基于图像块的全卷积神经网络，以减少过拟合并支持端到端学习。
• 应用空洞卷积提取多尺度上下文特征，同时保持空间分辨率不变。
• 跨层跳跃连接将低层次特征（如边缘、纹理）与高层次语义特征相融合。
• 图像预处理包括改进的自动色彩增强、全局对比度归一化及数据增强。
• 在网络上使用带标注的视网膜图像进行监督学习，采用二元交叉熵损失函数进行训练。
• 评估不同模型变体（SP-1、SP-32、SP-64）在速度-精度权衡上的表现。

实验结果

研究问题

• RQ1 结合低层次与高层次特征是否能提升视网膜血管分割性能？
• RQ2 通过空洞卷积实现的多尺度特征提取是否能提升分割精度与鲁棒性？
• RQ3 所提方法是否能在不损失精度的前提下实现高推理速度？
• RQ4 在病变及低对比度血管等挑战性条件下，模型性能如何？
• RQ5 使用跳跃连接与基于图像块的训练是否能减少过拟合并提升泛化能力？

主要发现

• 在DRIVE数据集上，模型AUC达到98.94%，优于先前最先进方法。
• 在STARE数据集上，模型AUC达98.73%，超越现有方法，敏感度为0.7726，特异度为0.9844。
• 在CHASE数据库上，模型AUC达98.65%，超过Fraz等人97.60%与Li等人97.45%的结果。
• 模型测试速度仅为每张图像3秒，比最佳无监督方法快7秒，比最佳有监督方法快87秒。
• 模型在病变区域、中央血管反光及低对比度微血管条件下均表现出鲁棒性，所有情况均实现准确分类。
• SP-1、SP-32与SP-64变体性能几乎一致，证实高速度不会损害精度。