[论文解读] Residual Spatial Attention Network for Retinal Vessel Segmentation

Changlu Guo, Márton Szemenyei+3 more|arXiv (Cornell University)|Sep 18, 2020

Retinal Imaging and Analysis参考文献 13被引用 6

一句话总结

本文提出用于视网膜血管分割的残差空间注意力网络（RSAN），通过将DropBlock正则化与空间注意力机制整合到改进的残差块中，以增强特征学习并减少过拟合。RSAN在DRIVE和CHASE DB1数据集上达到最先进性能，AUC分数分别为0.9855和0.9894，优于先前方法。

ABSTRACT

Reliable segmentation of retinal vessels can be employed as a way of monitoring and diagnosing certain diseases, such as diabetes and hypertension, as they affect the retinal vascular structure. In this work, we propose the Residual Spatial Attention Network (RSAN) for retinal vessel segmentation. RSAN employs a modified residual block structure that integrates DropBlock, which can not only be utilized to construct deep networks to extract more complex vascular features, but can also effectively alleviate the overfitting. Moreover, in order to further improve the representation capability of the network, based on this modified residual block, we introduce the spatial attention (SA) and propose the Residual Spatial Attention Block (RSAB) to build RSAN. We adopt the public DRIVE and CHASE DB1 color fundus image datasets to evaluate the proposed RSAN. Experiments show that the modified residual structure and the spatial attention are effective in this work, and our proposed RSAN achieves the state-of-the-art performance.

研究动机与目标

• 提高自动化视网膜血管分割的准确性，以实现糖尿病和高血压的早期检测。
• 通过增强特征表示能力，解决眼底图像中对比度低和血管细小的挑战。
• 通过DropBlock等正则化技术减少深度网络中的过拟合。
• 通过空间注意力机制建模特征之间的空间关系，提升特征学习能力。
• 在公开的视网膜血管分割基准数据集中实现最先进性能。

提出的方法

• 该方法通过将DropBlock正则化整合到预激活残差块中，构建改进的残差块，以提升泛化能力并防止过拟合。
• 提出一种新型残差空间注意力模块（RSAB），将改进的残差块与空间注意力模块结合，以突出相关特征并抑制噪声。
• 空间注意力机制计算注意力图，基于空间重要性动态加权特征图，从而增强表征能力。
• 通过将标准卷积块替换为RSAB，对U-Net架构进行改进，利用跳跃连接同时保留粗粒度与细粒度特征。
• 使用二元交叉熵损失结合焦点损失，在DRIVE和CHASE DB1数据集上端到端训练网络，以处理类别不平衡问题。
• 采用标准指标评估模型：敏感度（SEN）、特异性（SPE）、F1分数（F1）、准确率（ACC）和AUC。

实验结果

研究问题

• RQ1 将DropBlock整合到残差块中是否能提升深度视网膜血管分割网络的泛化能力并减少过拟合？
• RQ2 添加空间注意力机制是否能增强网络对细小和低对比度视网膜血管的区分能力？
• RQ3 与标准残差块相比，所提出的残差空间注意力模块（RSAB）在特征表示和分割精度方面表现如何？
• RQ4 完整的RSAN模型是否在基准视网膜血管分割数据集上达到最先进性能？
• RQ5 空间注意力机制在多大程度上提升了网络对细小血管结构的敏感度？

主要发现

• 在DRIVE数据集上，RSAN达到最高AUC 0.9855，比之前最佳方法高出0.34个百分点。
• 在CHASE DB1数据集上，RSAN的AUC达到0.9894，比之前最先进方法高出0.34个百分点。
• RSAN在DRIVE上的敏感度（SEN）达到0.8149，在CHASE DB1上达到0.8486，展现出对细小和微弱血管的优越检测能力。
• RSAN在DRIVE上的准确率（ACC）为0.9691，在CHASE DB1上为0.9751，分别比之前最佳方法提升1.13和0.90个百分点。
• 与Backbone+DropBlock基线相比，引入空间注意力使F1分数在DRIVE上提升1.12%，在CHASE DB1上提升1.21%。
• 消融实验证实，DropBlock和空间注意力均对性能提升有显著贡献，完整RSAN模型优于所有消融变体。