MS-NFN Model for Retinal Vessel Segmentation（血管分割）

论文题目：Multiscale Network Followed Network Model for Retinal Vessel Segmentation

论文地址：Multiscale Network Followed Network Model for Retinal Vessel Segmentation

 

 

The Core Content Of This Article：

1.对眼底彩照血管分割精度达到了一个state-of-the-art的水平。

2.采用多尺度Network Followed Network的网络结构分割更加精细的特征。

 

 

Dataset：

DRIVE数据集来自荷兰启动的糖尿病视网膜病变筛查计划。 它包括20个训练和20个测试眼底视网膜彩色图像，大小为584×565.这些图像是由400名糖尿病受试者的光学相机拍摄的，年龄为25-90岁。 其中，33张图像没有任何病理表现，其余图像的糖尿病迹象非常小。 每个图像都配备了两位专家手动分割的mask和ground truth。

DRIVE: Digital Retinal Images for Vessel Extraction​www.isi.uu.nl

 

CHASE DB1数据集包括从14名学童的双眼中拍摄的28张视网膜图像。 通常，前20个图像用于训练，其余8个图像用于测试。 每幅图像的大小为999×960.二值视野（FOV）掩模和分割ground truth是通过手工方法获得的。

Retinal image database​blogs.kingston.ac.uk

 

 

Performance：

在DRIVE数据集表现

在CHASE_DB1数据集上的表现

 

 

Images Pre-processing and Patch Extraction

• 本文对每个数据集的眼底彩照都进行了灰度化处理，做了对比度增强以及去噪工作。

• 在DRIVE数据集上随机抽取190000个48×48的Patches，CHASE_DB1上随机抽取400000个patches作为训练集

 

 

Training Two NFN Models

用以上数据作为训练集训练两个同样的NFN模型

这个只是单个NFN模型

单个NFN模型是由两个U-net级联而成，第一个U-net后面有一个辅助Loss L2

 

 

整个网络模型如下：

模型整体

上面蓝色的是两个级联的U-net,不过原文叫做Up-pool Network，下面也是两个级联的U-net，原文叫做Pool-up Network，然后连个模型结果进行平均，再经过一些操作得到原图。

这里要注意：上路径的Up-pool Network和下路径的Pool-up Network是有点不一样的：

Up-pool Network和Pool-up Network

可以看出up-pool是先上采样，在下采样到原图，再经过U-net,后面再上采样，再下采样到原图的过程，Pool-up和它是完全相反的过程。

这样做的好处是可以抓取不同尺寸的特征，这上下采样之间，将不同尺寸的细节相互融合，到最后再平均得到最后结果

 

 

超参数设置：

Loss=0.8L2+L1

SGD(lr=0.01,iteration=100,batch_size=32)

 

 

消融实验：

有NFN和无NFN的对比，也即后面连接两个U-net的必要性：

精确度对比：

可见还是很有必要的

 

总结：

• 虽然思路很不多，但是给的指标让人怀疑，为什么不用Dice，或许是因为原本数据集的官方评价指标里面没有Dice吧！

• 多尺度的思想还是可以考虑的，至于NFN，我想还是有一点借鉴性的，不如我把它加Wnet吧，你觉的如何，毕竟人家都想出来了，我也不好意思照抄。