55——SPNet: A novel deep neural network for retinal vessel segmentation basedon shared decoder and p

论文信息：SPNet: A novel deep neural network for retinal vessel segmentation based on shared decoder and pyramid-like loss | Papers With Code

 

由于血管厚度不一致和边界模糊，对毛细血管和视网膜血管边缘的精细分割仍具有挑战性。针对上述问题，本文提出了一种基于共享译码器和类金字塔损失(SPNet)的视网膜血管分割深度神经网络。具体来说，我们引入了一种解码器共享机制来捕获多尺度语义信息，通过一系列权重共享解码器模块来解码不同尺度的特征图。

为了加强对毛细血管和血管边缘的表征，我们定义了一个残差金字塔结构，在解码阶段分解空间信息。一个金字塔样的损失函数被设计用来逐步补偿可能的分割误差

------------------------------------------------------------------------------------------

引用中的一篇论文B. Wang, S. Qiu, H. He, Dual encoding u-net for retinal vessel segmentation, in: Med. Image Comput. Comput.-Assist.Intervent. (MICCAI), 2019, pp. 84–92.

未找到下载，提出的加强跳跃连接

 ------------------------------------------------------------------------------------------

首先，在多尺度检测血管时，大多数方法设计多尺度模块(例如，多个编码器或解码器)，并单独训练它们。这些模块组成了一个集成模型，但彼此之间缺乏共享机制。具体来说，用于检测不同厚度血管的子模型之间没有相互作用的机制。同时，与单一编码器-解码器结构相比，多模块可能加剧视网膜血管分割任务计算复杂度高的问题。

创新点：（1）我们提出了一种新的视网膜血管分割SPNet，它使用U-Net作为主体结构，不需要额外的网络参数。解码器共享机制和金字塔型损失使网络能够专注于学习不同层次语义特征之间的残差。（2）我们提出了一套sdm来学习特征地图中不同尺度的语义信息。它们不仅有助于网络在多尺度环境中共享知识，而且可能防止过拟合。（3）我们提出了一个残余金字塔，捕捉在多尺度特征解码过程中丢失的信息。据我们所知，本文首次专门设计了一种基于剩余金字塔结构的视网膜血管分割方法。我们还提供了一个类似金字塔的损失函数来集成sdm和定义的剩余金字塔。（4）我们在三个流行的基准数据集上验证了我们的SPNet的有效性，即DRIVE数据集[28]，STARE数据集[29]和CHASE DB1数据集[30]。实验结果表明，该方法的性能优于原始的U-Net和现有的方法。

 decoder-sharing机制

SDM多尺度：多尺度特征Di和Fi,js的解码器共享卷积权值。这与操作功能强大的Atrous Spatial Pyramid Pooling模块[33,32]类似，该模块采用不同速率的并行Atrous卷积对多尺度语义信息进行编码。在我们的方法中，提出的SDMs同时提取多尺度的特征。它们帮助模型分享在不同分辨率下学到的知识，然后改进具有挑战性的区域的分割结果

残差金字塔

 实验：STARE数据集19张图像用于训练，其余1张用于测试，重复20次。

CHASE DB1数据集由28张彩色视网膜图像组成，21张图像用于训练，其他7张用于测试。