[论文解读] Vesselness via Multiple Scale Orientation Scores

Julius Hannink, Remco Duits+1 more|arXiv (Cornell University)|Feb 20, 2014

Retinal Imaging and Analysis参考文献 12被引用 7

一句话总结

该论文提出了一种基于 $SIM(2)$ 群（旋转、平移、缩放）中可逆尺度-方向性分数的多尺度血管性滤波器，通过在方向空间中分析图像结构，实现了对交叉和分叉血管的解耦。该方法在增强交叉处血管方面优于经典的多尺度 Frangi 滤波器，在 HRF 视网膜图像数据集上实现了更高的敏感度（青光眼组为 0.641）和准确度（0.960），且对阈值变化的鲁棒性更强。

ABSTRACT

The multi-scale Frangi vesselness filter is an established tool in (retinal) vascular imaging. However, it cannot cope with crossings or bifurcations, since it only looks for elongated structures. Therefore, we disentangle crossing structures in the image via (multiple scale) invertible orientation scores. The described vesselness filter via scale-orientation scores performs considerably better at enhancing vessels throughout crossings and bifurcations than the Frangi version. Both methods are evaluated on a public dataset. Performance is measured by comparing ground truth data to the segmentation results obtained by basic thresholding and morphological component analysis of the filtered images.

研究动机与目标

• 为解决多尺度 Frangi 血管性滤波器因依赖于长条状结构检测而在增强交叉和分叉处血管时存在的局限性。
• 通过利用 $SE(2)$ 和 $SIM(2)$ 群上的可逆方向性分数，开发一种能保留复杂区域血管结构的血管性滤波方法。
• 通过将滤波过程转换到尺度-方向性域，实现对重叠血管结构更好的解耦，从而提升视网膜血管分割性能。
• 在公开的 HRF 荼底图像数据集上对所提方法进行定量评估，与 Frangi 滤波器及现有分割方法对比敏感度、特异度和准确度。

提出的方法

• 该方法通过输入图像 $f$ 与各向异性小波 $\psi$ 的互相关运算构建可逆方向性分数 $U_f$，从而实现从分数域对图像的精确重建。
• 方向性分数域可将交叉和分叉血管分离到不同的方向层，从而实现在方向空间中的局部血管性滤波。
• 通过在尺度-方向性分数上应用滤波器 $\mathcal{V}_0^{\vec{a},\vec{b},\vec{c}}$ 并利用 $L^\infty$-范数进行归一化，将多尺度血管性滤波推广至 $SIM(2)$ 群。
• 滤波器利用规范帧（gauge frames）与局部血管方向对齐，从而在分数域中更好地匹配长条状结构。
• 通过逆傅里叶变换和一种保持稳定性的小波设计（蛋糕小波）实现图像重建，以确保 $M_\psi \approx 1$。
• 通过自适应阈值处理和形态组件分析（结合尺寸与拉长度约束）进行分割，以优化血管图。

实验结果

研究问题

• RQ1 在 $SIM(2)$-不变方向性分数域中进行血管性滤波，是否能比经典 Frangi 滤波器更好地增强交叉和分叉处的血管？
• RQ2 与基于标准方向的滤波相比，方向性分数域中使用规范帧如何提升血管性滤波性能？
• RQ3 该方法在具有复杂血管结构的视网膜图像上，对分割准确度和敏感度的提升程度如何？
• RQ4 与 Frangi 滤波器相比，该方法在分割流程中对阈值变化的鲁棒性如何？

主要发现

• 采用规范帧的所提方法（$\mathcal{V}^{\vec{a},\vec{b},\vec{c}}$）在青光眼组中实现了最高的敏感度 0.641，优于 Frangi 滤波器。
• 在 HRF 数据集上，该方法在阈值 $t=0.05$ 时，健康组平均准确度为 0.969，糖尿病性视网膜病变组为 0.953，青光眼组为 0.960。
• 该方法对阈值变化表现出更优的鲁棒性，分割结果在不同 $t$ 值下保持稳定，性能曲线的置信区间较窄。
• 在糖尿病性视网膜病变组中，该方法优于现有分割算法，表明其在检测小血管和复杂血管结构方面表现更优。
• 定性结果表明，交叉和分叉处的血管得到明显增强，且规范帧方法生成的血管图最为准确和连贯。
• 使用 $SIM(2)$-不变方向性分数实现了对重叠血管结构更好的解耦，从而在复杂区域提升了血管性滤波效果。