[论文解读] Retinal Vessel Segmentation based on Fully Convolutional Networks

Zhengyuan Liu|arXiv (Cornell University)|Nov 22, 2019

Retinal Imaging and Analysis参考文献 19被引用 8

一句话总结

该论文提出了一种基于补丁的全卷积网络方法，结合U-Net和LadderNet架构，通过补丁旋转进行数据增强，用于视网膜血管分割。该方法在DRIVE、STARE和CHASE_DB1数据集上实现了最先进性能，在F1分数、准确率和AUC方面优于近期方法，其中在CHASE_DB1数据集上使用LadderNet的AUC最高达到0.9805。

ABSTRACT

The morphological attributes of retinal vessels, such as length, width, tortuosity and branching pattern and angles, play an important role in diagnosis, screening, treatment, and evaluation of various cardiovascular and ophthalmologic diseases such as diabetes, hypertension and arteriosclerosis. The crucial step before extracting these morphological characteristics of retinal vessels from retinal fundus images is vessel segmentation. In this work, we propose a method for retinal vessel segmentation based on fully convolutional networks. Thousands of patches are extracted from each retinal image and then fed into the network, and data argumentation is applied by rotating extracted patches. Two architectures of fully convolutional networks, U-Net and LadderNet, are used for vessel segmentation. The performance of our method is evaluated on three public datasets: DRIVE, STARE, and CHASE\_DB1. Experimental results of our method show superior performance compared to recent state-of-the-art methods.

研究动机与目标

• 开发一种精确且自动化的视网膜血管分割方法，以支持心血管和眼科疾病的诊断。
• 克服人工分割的局限性，后者耗时且易出错，尤其对细小或迂曲的血管而言。
• 通过利用具有有效数据增强的全卷积网络，提升深度学习在分割性能方面表现。
• 在多个公开视网膜图像数据集上评估所提出方法，以确保其鲁棒性和泛化能力。

提出的方法

• 视网膜眼底图像经过预处理后被划分为小块补丁，输入网络，从而实现在高分辨率图像上的高效训练和推理。
• 通过旋转提取的补丁应用数据增强，以增加训练多样性并提升模型泛化能力。
• 采用两种全卷积网络架构——U-Net和LadderNet，实现端到端的血管分割，利用跳跃连接保留空间细节。
• 网络为每个补丁输出一个概率图，通过0.5阈值化生成二值分割掩码。
• 将补丁重新组合为完整图像的分割掩码，重叠区域通过平均处理以减少边界伪影。
• 使用标准指标进行评估：F1分数、敏感性（Sn）、特异性（Sp）、准确率（Acc）以及受试者工作特征曲线下面积（AUC）。”

实验结果

研究问题

• RQ1 基于补丁的全卷积网络结合旋转数据增强，是否能在视网膜血管分割性能上超越最先进方法？
• RQ2 在多种数据集上，U-Net和LadderNet架构在分割细小且相连的视网膜血管方面表现如何比较？
• RQ3 通过补丁旋转进行数据增强，在有限训练数据下在多大程度上提升了模型的鲁棒性和泛化能力？
• RQ4 该方法在图像分辨率、病理发生率和视野范围存在差异的数据集上表现如何？

主要发现

• 在DRIVE数据集上，所提方法使用U-Net的F1分数为0.8169，使用LadderNet的F1分数为0.8219，优于先前最先进方法。
• 在STARE数据集上，LadderNet变体的AUC达到0.9805，为表3中所有方法中的最高值。
• 在CHASE_DB1数据集上，LadderNet模型的AUC达到0.9839，超过比较中所有其他方法。
• U-Net变体在DRIVE上的AUC为0.9794，在STARE上的AUC为0.9846，表明其在多个数据集上均表现强劲。
• 所有数据集上，该方法表现出提升的特异性（Sp > 0.98）和敏感性（Sn > 0.77），表明对血管和背景像素的可靠检测。
• 尽管性能优异，细小且不连续的血管仍是挑战，部分情况下的分割结果表现出碎片化和连接性差的问题。