[论文解读] Retinal Vessel Segmentation Based on Conditional Deep Convolutional Generative Adversarial Networks

Yun Jiang, Ning Tan|arXiv (Cornell University)|May 11, 2018

Retinal Imaging and Analysis参考文献 22被引用 3

一句话总结

该论文提出了一种基于残差结构的条件深度卷积生成对抗网络（cDC-GAN），用于视网膜血管分割，通过引入跳跃连接、通道减半卷积和残差学习，提升了敏感性和准确性。在DRIVE和STARE数据集上，该方法实现了96.08%的准确率、82.74%的敏感性以及82.08%的F-measure，相较于R2U-Net在敏感性上提升了4.82%。

ABSTRACT

The segmentation of retinal vessels is of significance for doctors to diagnose the fundus diseases. However, existing methods have various problems in the segmentation of the retinal vessels, such as insufficient segmentation of retinal vessels, weak anti-noise interference ability, and sensitivity to lesions, etc. Aiming to the shortcomings of existed methods, this paper proposes the use of conditional deep convolutional generative adversarial networks to segment the retinal vessels. We mainly improve the network structure of the generator. The introduction of the residual module at the convolutional layer for residual learning makes the network structure sensitive to changes in the output, as to better adjust the weight of the generator. In order to reduce the number of parameters and calculations, using a small convolution to halve the number of channels in the input signature before using a large convolution kernel. By used skip connection to connect the output of the convolutional layer with the output of the deconvolution layer to avoid low-level information sharing. By verifying the method on the DRIVE and STARE datasets, the segmentation accuracy rate is 96.08% and 97.71%, the sensitivity reaches 82.74% and 85.34% respectively, and the F-measure reaches 82.08% and 85.02% respectively. The sensitivity is 4.82% and 2.4% higher than that of R2U-Net.

研究动机与目标

• 为解决现有视网膜血管分割方法在细小血管检测方面敏感性不足及抗噪能力弱的问题。
• 提升在存在病变和低对比度血管的复杂视网膜图像上的分割性能。
• 通过优化生成器中的卷积操作，降低模型复杂度与计算量。
• 通过生成器架构中的残差连接与跳跃连接，增强特征学习与梯度流动。

提出的方法

• 生成器在卷积层中采用残差模块，以实现残差学习，提升对输出变化的敏感性。
• 在大核卷积前使用小型卷积层，将输入通道数减半，从而减少参数量与计算量。
• 跳跃连接将卷积层与转置卷积层的输出相连，以保留低级特征并改善特征传播。
• 条件生成对抗网络框架利用真实视网膜图像作为条件，引导生成器生成精确的血管分割掩码。
• 判别器经过训练，能够区分真实与生成的分割掩码，从而提升预测结果的真实感与准确性。
• 整体架构通过对抗损失进行端到端训练，特别关注对细小血管结构的保留。

实验结果

研究问题

• RQ1 带有残差学习的条件生成对抗网络能否提升视网膜血管分割的准确率与敏感性？
• RQ2 卷积层与转置卷积层之间的跳跃连接在特征保留与分割质量方面有何影响？
• RQ3 在大核卷积前使用小型卷积进行通道减少，能在多大程度上降低计算成本而不损害性能？
• RQ4 所提出的生成器结构是否在基准数据集上优于R2U-Net等现有U-Net变体，在敏感性与F-measure上表现更优？
• RQ5 该方法在视网膜眼底图像存在噪声与病灶时的鲁棒性如何？

主要发现

• 所提方法在DRIVE数据集上实现了96.08%的分割准确率，显著优于基线方法。
• 在DRIVE数据集上，敏感性达到82.74%，较R2U-Net高出4.82%，表明对细小及微弱血管的检测能力更强。
• 在STARE数据集上，该方法达到97.71%的准确率与85.34%的敏感性，展现出优异的泛化能力。
• 在DRIVE数据集上F-measure达到82.08%，在STARE数据集上达到85.02%，证实了精确率与召回率之间的良好平衡。
• 通过通道减半卷积，模型减少了参数量与计算负载，提升了效率，且未牺牲性能。
• 跳跃连接与残差模块的使用增强了特征学习与梯度流动，从而带来更稳定、更精确的训练结果。