[论文解读] RV-GAN : Retinal Vessel Segmentation from Fundus Images using Multi-scale Generative Adversarial Networks.

Sharif Amit Kamran, Khondker Fariha Hossain+4 more|arXiv (Cornell University)|Jan 3, 2021

Retinal Imaging and Analysis参考文献 25被引用 8

一句话总结

RV-GAN 提出了一种多尺度生成对抗网络，包含两个生成器和两个多尺度自编码器判别器，用于精确的视网膜血管分割。通过结合重建损失和加权特征匹配损失，其在 AUC 上达到最先进性能，分别在 DRIVE 数据集上达到 0.9887、CHASE-DB1 数据集上达到 0.9814、STARE 数据集上达到 0.9887，优于先前方法在 AUC、平均交并比（Mean-IOU）和结构相似性（SSIM）方面的表现。

ABSTRACT

Retinal vessel segmentation contributes significantly to the domain of retinal image analysis for the diagnosis of vision-threatening diseases. With existing techniques the generated segmentation result deteriorates when thresholded with higher confidence value. To alleviate from this, we propose RVGAN, a new multi-scale generative architecture for accurate retinal vessel segmentation. Our architecture uses two generators and two multi-scale autoencoder based discriminators, for better microvessel localization and segmentation. By combining reconstruction and weighted feature matching loss, our adversarial training scheme generates highly accurate pixel-wise segmentation of retinal vessels with threshold >= 0.5. The architecture achieves AUC of 0.9887, 0.9814, and 0.9887 on three publicly available datasets, namely DRIVE, CHASE-DB1, and STARE, respectively. Additionally, RV-GAN outperforms other architectures in two additional relevant metrics, Mean-IOU and SSIM.

研究动机与目标

• 为解决在视网膜血管分割中使用高置信度阈值时分割精度下降的问题。
• 提升视网膜眼底图像中微血管的定位精度和像素级精度。
• 开发一种多尺度生成架构，以增强在不同血管尺度下的特征表示能力。
• 在分割精度和结构相似性度量指标上均优于现有方法。
• 整合重建损失与加权特征匹配损失，以提升对抗训练的稳定性与输出保真度。

提出的方法

• 该架构采用两个生成器，以生成多尺度的分割预测，从而增强血管细节的捕捉能力。
• 使用基于多尺度自编码器的两个判别器，以评估图像的局部与全局真实感及结构一致性。
• 采用混合损失函数，结合重建损失与加权特征匹配损失，以提升像素级精度与特征级对齐效果。
• 优化对抗训练方案，以在阈值 ≥ 0.5 时生成高置信度的分割输出。
• 在三个公开数据集（DRIVE、CHASE-DB1 和 STARE）上进行端到端训练。
• 对特征匹配损失进行加权，以突出细小血管结构并减少误报。

实验结果

研究问题

• RQ1 多尺度 GAN 架构是否能提升在高置信度阈值下的视网膜血管分割精度？
• RQ2 重建损失与加权特征匹配损失的结合如何影响视网膜图像中分割保真度？
• RQ3 与单尺度判别器相比，多尺度判别器在微血管定位方面有多大的增强效果？
• RQ4 所提出的架构是否在 AUC 和结构相似性度量指标上均优于现有最先进方法？
• RQ5 该模型能否在成像条件各异的多样化视网膜眼底图像数据集上实现有效泛化？

主要发现

• RV-GAN 在 DRIVE 数据集上达到 AUC 0.9887，表明其具有卓越的分类性能。
• 在 CHASE-DB1 数据集上，模型取得 AUC 0.9814，证明其在小血管区域具有强大的泛化能力。
• 在 STARE 数据集上，模型记录 AUC 0.9887，证实其在不同视网膜解剖结构下均具有高精度。
• RV-GAN 在平均交并比（Mean-IOU）上优于现有架构，表明预测血管区域与真实标签区域的重叠程度更高。
• 模型还实现了更高的 SSIM 值，反映出分割输出中更好的结构保持能力。
• 重建损失与加权特征匹配损失的结合显著提升了在阈值 ≥ 0.5 时的像素级分割精度。