[论文解读] REFUGE CHALLENGE 2018-Task 2:Deep Optic Disc and Cup Segmentation in Fundus Images Using U-Net and Multi-scale Feature Matching Networks

Vivek Kumar Singh, Hatem A. Rashwan+5 more|arXiv (Cornell University)|Jul 30, 2018

Retinal Imaging and Analysis参考文献 5被引用 6

一句话总结

该论文提出了一种用于视网膜眼底图像中视盘和视杯分割的两阶段深度学习框架，结合U-Net生成器与多尺度特征匹配网络，并使用Dice损失以提高边界精度。在REFUGE Challenge 2018验证集上，该方法在视盘分割上达到0.9340%的Dice系数，在视杯分割上达到0.8341%的Dice系数，CDR的MAE为0.0605%，通过特征级监督优于基线U-Net。

ABSTRACT

In this paper, an optic disc and cup segmentation method is proposed using U-Net followed by a multi-scale feature matching network. The proposed method targets task 2 of the REFUGE challenge 2018. In order to solve the segmentation problem of task 2, we firstly crop the input image using single shot multibox detector (SSD). The cropped image is then passed to an encoder-decoder network with skip connections also known as generator. Afterwards, both the ground truth and generated images are fed to a convolution neural network (CNN) to extract their multi-level features. A dice loss function is then used to match the features of the two images by minimizing the error at each layer. The aggregation of error from each layer is back-propagated through the generator network to enforce it to generate a segmented image closer to the ground truth. The CNN network improves the performance of the generator network without increasing the complexity of the model.

研究动机与目标

• 提高低对比度视网膜眼底图像中视盘和视杯分割的准确性，这对于青光眼及其他视网膜疾病的诊断至关重要。
• 解决由于视盘与视杯像素强度分布相似而导致的边界模糊问题。
• 通过引入判别性CNN进行多尺度特征匹配，以改进U-Net的性能，从而优化分割输出。
• 通过结合像素级与特征级监督的损失函数，在降低训练复杂度的同时提升分割质量。

提出的方法

• 该方法采用两阶段流程：首先，使用单次多框检测器（SSD）在输入眼底图像中定位视盘和视杯区域。
• 将裁剪后的区域输入基于U-Net的生成网络，该网络具有跳跃连接，以生成初始分割掩膜。
• 使用独立的CNN从预测分割结果和真实标签中提取多尺度特征，实现特征级比较。
• 通过CNN在多个网络层上计算预测特征图与真实特征图之间的Dice系数，生成多尺度特征匹配（mfm）损失，以最小化真实与预测特征之间的差异。
• 总损失函数结合了mfm损失与标准Dice损失，其中超参数λ=150用于平衡两个损失分量。
• 使用ADAM优化器以固定学习率0.0002和批量大小8，在10个周期内进行端到端训练。

实验结果

研究问题

• RQ1 与标准U-Net相比，基于U-Net的生成器结合多尺度特征匹配是否能提升视盘和视杯分割的准确性？
• RQ2 通过基于CNN的特征提取器引入特征级监督，是否能增强低对比度视网膜结构的边界精确度？
• RQ3 所提出的损失函数（结合像素级损失与多尺度特征匹配损失）是否能减少在有限医学影像数据上的过拟合并提升泛化能力？
• RQ4 两阶段检测-分割流程（SSD + U-Net）在REFUGE Challenge 2018数据集上的分割性能提升效果如何？

主要发现

• 在REFUGE Challenge 2018验证集上，该方法在视盘分割中达到0.9340%的Dice系数，在视杯分割中达到0.8341%的Dice系数。
• 该模型在曲率-视盘比（CDR）上的平均绝对误差（MAE）为0.0605%，表明定量测量具有高度一致性。
• 尽管损失函数结构复杂，该模型仅需10个训练周期即可收敛，表现出极高的训练效率。
• 多尺度特征匹配损失的引入显著改善了边界勾勒，尤其是在视盘与视杯对比度较低的区域。
• 使用预训练SSD进行感兴趣区域裁剪，通过聚焦网络于相关解剖结构，提升了特征学习效果。
• 消融实验表明，Dice损失与多尺度特征匹配损失的组合优于单独使用任一损失，验证了混合损失策略的有效性。