论文阅读笔记：A Three-Stage Deep Learning Model for Accurate Retinal Vessel Segmentation

A Three-Stage Deep Learning Model for Accurate Retinal Vessel Segmentation

摘要

视网膜血管自动分割是眼相关疾病诊断的基础步骤，其中厚血管和薄血管都是症状检测的重要特征。所有现有的深度学习模型都试图使用统一的像素损失来同时分割这两种类型的血管，所有的血管像素都同等重要。由于粗血管与细血管比例高度不平衡(即大部分血管像素属于粗血管)，像素上的损失主要由粗血管引导，细血管的影响相对较小，往往导致细血管的分割精度较低。为了解决这一问题，本文提出了一种三阶段的深度学习模型，分别对厚血管和薄血管进行了分割。血管分割任务分为粗血管分割、细血管分割和血管融合三个阶段。由于对厚血管和薄血管的分割可以获得更好的鉴别特征，因此这一过程最大限度地减少了它们的比例高度不平衡所带来的负面影响。最后的血管融合阶段通过进一步识别非血管像素和改善血管整体厚度一致性来细化结果。在公共数据集DRIVE、STARE和CHASE_DB1上的实验清楚地表明，提出的三阶段深度学习模型优于目前最先进的血管分割方法。

1.Introduction

与非监督方法相比，监督方法从带注释的训练图像中学习血管特征或血管像素分类器进行分割。现有的监督方法可以进一步分为传统的基于机器学习的方法和基于深度学习的方法。传统的基于机器学习的方法主要依赖手工特征，利用典型的分类器进行分割，包括k近邻分类器(KNN)[20]及支持向量机(SVM)。与传统的基于机器学习的方法不同，基于深度学习的方法[27][30]具有较强的自动学习特征的能力，可以进行准确的血管分割。Orlando等人[31]提出了一种经过鉴别训练的全连通条件随机场模型用于血管分割。Fu等人[32]、[33]提出了基于全卷积神经网络和全连通条件随机域(CRFs)的血管分割问题。Li等人将血管分割任务重构为一个跨模态数据转换问题，并通过训练一个深度学习模型对其进行建模。Dasgupta[35]提出了一种深度学习模型，对眼底图像中的每个像素进行迭代分类。在[36]中，已经测试了几种用于血管分割的深度学习架构。

所有现有的深度学习模型都采用统一的像素级损失进行训练，同时对粗血管和细血管进行分割。在像素方面的损失，所有的血管像素都同等重要。但是，由于眼底图像中的大多数血管像素