[论文解读] VascX Models: Model Ensembles for Retinal Vascular Analysis from Color Fundus Images

Jose Vargas Quiros, Bart Liefers+5 more|arXiv (Cornell University)|Sep 24, 2024

Retinal Imaging and AnalysisMedicine被引用 3

一句话总结

VascX 模型引入了一种稳健的多模型集成框架，用于在彩色眼底图像（CFIs）中进行自动视网膜血管分析，利用多样化的公开数据集和临床数据集——包括来自鹿特丹研究的超过30年多厂商 CFI 数据——在血管、动静脉、视盘和黄斑区分割任务中达到最先进性能。该模型在大型队列研究中常见的中等质量图像上表现尤为出色，且在血管分割方面精度高于人类阅片员。

ABSTRACT

We introduce VascX models, a comprehensive set of model ensembles for analyzing retinal vasculature from color fundus images (CFIs). Annotated CFIs were aggregated from public datasets . Additional CFIs, mainly from the population-based Rotterdam Study were annotated by graders for arteries and veins at pixel level, resulting in a dataset diverse in patient demographics and imaging conditions. VascX models demonstrated superior segmentation performance across datasets, image quality levels, and anatomic regions when compared to existing, publicly available models, likely due to the increased size and variety of our training set. Important improvements were observed in artery-vein and disc segmentation performance, particularly in segmentations of these structures on CFIs of intermediate quality, common in large cohorts and clinical datasets. Importantly, these improvements translated into significantly more accurate vascular features when we compared features extracted from VascX segmentation masks with features extracted from segmentation masks generated by previous models. With VascX models we provide a robust, ready-to-use set of model ensembles and inference code aimed at simplifying the implementation and enhancing the quality of automated retinal vasculature analyses. The precise vessel parameters generated by the model can serve as starting points for the identification of disease patterns in and outside of the eye.

研究动机与目标

• 开发一种稳健且可泛化的视网膜血管分析模型集成，确保在各种成像设备和图像质量水平下均表现一致。
• 通过整合来自基于人群的鹿特丹研究的大规模、多样化数据集（包含多厂商、多年份的 CFI 获取数据），解决现有模型因在小规模、同质化数据集上训练而存在的局限性。
• 提升在中等质量图像上的分割精度，特别是动静脉和视盘结构的分割，此类图像在大型队列和临床数据集中普遍存在。
• 在分割及衍生血管特征提取方面，超越现有自动化系统（如 Automorph 和 LWNet）。
• 提供即用型、开源的推理管道，简化部署流程，提升视网膜图像分析研究的可重复性。

提出的方法

• 模型在公开数据集与鹿特丹研究新标注的 CFI 数据组合上进行训练，包含动脉、静脉、视盘和黄斑区的像素级标注。
• 采用多模型集成方法，通过五折交叉训练提升在多样化成像条件下的鲁棒性与泛化能力。
• 使用 U-Net 变体等深度学习架构，并结合强大的数据增强策略，以提升在低质量与中等质量图像上的性能。
• 推理管道包含标准化预处理步骤，如对比度归一化与图像缩放，以确保在外部数据集上的一致性。
• 系统集成独立的模型用于血管、动静脉、视盘和黄斑区分割，支持模块化与可扩展的分析流程。
• 应用全面的评估框架，通过 Dice 评分、平均绝对误差和衍生血管特征的皮尔逊相关系数等指标，将模型输出与人类阅片员标注进行对比。

实验结果

研究问题

• RQ1 在来自多种设备、超过30年成像历史的多样化真实世界 CFI 数据上进行训练的模型集成，是否能在视网膜血管分割任务中超越现有系统？
• RQ2 模型性能在不同图像质量水平下如何变化，特别是在大型队列研究中常见的中等质量图像上？
• RQ3 改进的分割结果在多大程度上能转化为更准确的血管生物标志物提取，如管径、扭曲度和分叉计数？
• RQ4 VascX 模型是否能在复杂或低对比度图像中超越人类阅片员在血管分割精度方面的表现？
• RQ5 VascX 推理管道在动静脉分割中，对血管树连通性和结构完整性的保持效果如何？

主要发现

• VascX 模型在所有指标上均表现出优越的分割性能，在鹿特丹研究数据集上，血管分割的 Dice 评分为 0.834，动静脉分割为 0.772，视盘分割为 0.733。
• 在中等质量图像上的动静脉分割中，性能提升最为显著，模型显著优于以往系统。
• VascX 在血管分割精度上超越了人类阅片员，血管管径的平均绝对误差为 0.005 mm，优于阅片员标注结果。
• 模型在静脉分叉计数上与真实值具有高度相关性（皮尔逊 r = 0.791），表明其在捕捉复杂血管特征方面具有极高的保真度。
• VascX 衍生的血管特征与基于阅片员的特征相比，平均绝对误差更低（0.005–0.006 mm），相关系数更高（r = 0.757–0.791），优于 Automorph 和 LWNet。
• 通过 GitHub 提供的 VascX 推理管道，可在外部数据集上实现便捷部署，具备一致的预处理与模型推理流程，显著提升可重复性与应用普及度。