Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation
IIAI；EPFL（洛桑联邦理工学院）；CIBM；CHUV（洛桑大学医院）
医学图像分割是计算机辅助诊断的一项重要任务。大型数据集的像素手动注释需要很高的专业知识，并且非常耗时。传统的数据增强由于不能完全表示训练集的潜在分布而具有有限的益处，从而在对从不同来源捕获的图像进行测试时影响模型鲁棒性。先前的工作利用合成图像进行数据增强，忽略了不同解剖标签之间的交错几何关系。我们提出了对以前基于GAN的医学图像合成方法的改进，通过联合编码几何和形状的内在关系。潜在空间变量采样导致从基础图像生成不同的图像，并提高鲁棒性。给定我们的方法生成的增强图像，我们训练分割网络，以提高视网膜光学相干断层扫描（OCT）图像的分割性能。所提出的方法优于国家的最先进的分割方法上的公共RETOUCH数据集，从不同的采集过程中捕获的图像。消融研究和可视化分析也证明了整合几何形状和多样性的好处。
2020-04-25 cs.CV eess.IV
Particle Swarm Optimization for Great Enhancement in Semi-Supervised Retinal Vessel Segmentation with Generative Adversarial Networks
Institute of Microelectronics of Chinese Academy of Sciences（中国科学院微电子研究所）；University of Chinese Academy of Sciences（中国科学院大学）
基于深度学习的视网膜血管分割需要大量的人工标记数据。这是费时、费力和专业的。更糟糕的是，获取丰富的眼底图像是困难的。由于存在异常、血管的不同尺寸和形状、不均匀照明和解剖学变化，这些问题更加严重。在本文中，我们提出了一个数据高效的半监督学习框架，它将现有的深度学习网络与GAN和自训练思想有效地结合起来。针对半监督学习超参数难以调整的问题，提出了一种基于粒子群优化算法的超参数选择方法。据我们所知，这项工作是第一个将智能优化与半监督学习相结合以实现最佳性能的演示。在对抗学习、自训练和PSO选择最佳超参数的协作下，我们仅使用DRIVE中十分之一的标记数据就获得了接近甚至优于代表性监督学习的视网膜血管分割性能。
2019-08-12 cs.CV eess.IV
Denoising Diffusion Probabilistic Model for Retinal Image Generation and Segmentation
Bahcesehir University（巴赫切谢希尔大学）；American University of Malta（马耳他美国大学）
针对视网膜标注数据稀缺问题，本文提出两阶段DDPM生成血管树与眼底图像，构建ReTree数据集并训练分割模型，通过合成数据训练、真实数据测试验证其有效性。
2023-08-16 cs.CV eess.IV
Annotation-Free Cardiac Vessel Segmentation via Knowledge Transfer from Retinal Images
Peking University（北京大学）；Peking University First Hospital（北京大学第一医院）；MGH/BWH Center for Clinical Data Science（麻省总医院/布莱根妇女医院临床数据科学中心）
分割冠状动脉具有挑战性，因为经典的无监督方法无法产生令人满意的结果，而现代监督学习（深度学习）需要手动注释，这通常很耗时，并且有时是不可行的。为了解决这个问题，我们提出了一种基于知识转移的形状一致性生成对抗网络（SC-GAN），这是一种无注释的方法，它使用来自公开可用的注释眼底数据集的知识来分割冠状动脉。所提出的网络以端到端的方式进行训练，生成和分割合成图像，这些图像保持冠状动脉造影的背景并保留视网膜血管和冠状动脉的血管结构。我们训练和评估所提出的模型上的数据集的1092数字减影血管造影图像，实验表明，所提出的方法冠状动脉分割的最高精度。
2019-07-26 cs.CV eess.IV
VTGAN: Semi-supervised Retinal Image Synthesis and Disease Prediction using Vision Transformers
University of Nevada, Reno（内华达大学雷诺分校）；Houston Eye Associates（休斯顿眼科协会）
在血管造影（FA）中，将外源性染料注入血流中以成像视网膜的血管结构。注射的染料会引起不良反应，如恶心、呕吐、过敏性休克，甚至死亡。相比之下，彩色眼底成像是一种用于拍摄视网膜的非侵入性技术，但不具有足够的保真度来捕获其血管结构。用于捕获视网膜血管的唯一非侵入性方法是光学相干断层扫描-血管造影术（OCTA）。然而，OCTA设备相当昂贵，并且稳定的成像仅限于视网膜上的小区域。在本文中，我们提出了一种新的条件生成对抗网络（GAN），能够同时从眼底照片合成FA图像，同时预测视网膜变性。所提出的系统具有以非侵入性方式解决视网膜脉管系统成像问题以及预测视网膜异常的存在的益处。我们使用一种半监督的方法来训练我们的GAN，使用不同形式的数据的多个加权损失。我们的实验验证了所提出的架构超过了最近最先进的生成网络的眼底血管造影合成。此外，我们的基于视觉变换器的判别器在用于视网膜疾病预测的分布外数据集上推广得很好。
2021-08-13 cs.CV eess.IV
A Refined Equilibrium Generative Adversarial Network for Retinal Vessel Segmentation
Central South University（中南大学）；Beihang University（北京航空航天大学）；Changsha Aier Eye Hospital（长沙爱尔眼科医院）
目的：认识视网膜血管病变对眼科疾病和心血管事件的早期诊断至关重要。然而，分割结果很大程度上影响了难以捉摸的血管，特别是在低对比度的背景和病变区域。在这项工作中，我们提出了一个端到端的合成神经网络，包含一个对称平衡生成对抗网络（SEGAN），多尺度特征细化块（MSFRB）和注意力机制（AM），以提高血管分割的性能。方法：该网络被赋予强大的多尺度表示能力，以提取细节信息。首先，SEGAN构造了一个对称对抗结构，迫使生成器生成具有局部细节的更真实的图像。其次，MSFRB的设计，以防止高分辨率的功能被掩盖，从而合并多尺度功能更好。最后，AM被用来鼓励网络专注于区分特征。结果：在公共数据集DRIVE，STARE，CHASEDB1和HRF上，我们对我们的网络进行了定量评估，并将其与最先进的作品进行了比较。烧蚀实验表明，SEGAN，MSFRB和AM都有助于理想的性能。结论：所提出的网络优于成熟的方法，并在难以捉摸的血管分割中有效地发挥作用，在灵敏度，G均值，精度和F1分数方面取得了最高分数，同时在其他指标方面保持了最高水平。意义：可观的性能和计算效率为临床视网膜血管分割应用提供了巨大的潜力。同时，该网络还可用于其他生物医学问题的细节信息提取
2019-12-18 cs.CV eess.IV
Unsupervised Domain Adaptation for Cross-Modality Retinal Vessel Segmentation via Disentangling Representation Style Transfer and Collaborative Consistency Learning
Southern University of Science and Technology（南方科技大学）；The University of Hong Kong（香港大学）
已经开发了各种深度学习模型来从医学图像中分割解剖结构，但是当在具有不同数据分布的另一个目标域上进行测试时，它们通常性能较差。最近，已经提出了无监督的域自适应方法来缓解这种所谓的域偏移问题，但它们中的大多数都是针对域偏移相对较小的场景而设计的，并且在遇到大的域间隙时可能会失败。在本文中，我们提出了DCDA，一种新的跨模态无监督域自适应框架，用于具有大域偏移的任务，例如，从OCTA和OCT图像中分割视网膜血管。DCDA主要包括一个解纠缠表示风格转换（DRST）模块和一个协同一致性学习（CCL）模块。DRST将图像分解为内容组件和样式代码，并执行样式转换和图像重建。CCL包含两个分割模型，一个用于源域，另一个用于目标域。这两个模型使用标记数据（以及相应的传输图像）进行监督学习，并对未标记数据进行协同一致性学习。每个模型都专注于相应的单个领域，旨在产生专业化的特定领域细分模型。通过对视网膜血管分割的广泛实验，我们的框架从OCTA到OCT以及从OCT到OCTA都实现了接近目标训练的oracle的Dice分数，显著优于其他最先进的方法。
2022-01-20 cs.CV eess.IV
OCT-GAN: Single Step Shadow and Noise Removal from Optical Coherence Tomography Images of the Human Optic Nerve Head
Singapore Eye Research Institute（新加坡眼科研究所）；National University of Singapore（新加坡国立大学）；Beihang University（北京航空航天大学）；Duke-NUS Medical School（杜克-新加坡国立大学医学院）
OCT B扫描中的斑点噪声和视网膜阴影遮挡了重要的边缘、精细纹理和深层组织，阻碍了算法和临床医生的准确和可靠诊断。我们开发了一个单一的过程，成功地消除了噪音和视网膜阴影从看不见的单帧B扫描在10.4ms内。该算法的平均梯度幅度（AGM）比当前最先进的水平高57.2%，而平均峰值信噪比（PSNR），对比噪声比（CNR）和结构相似性指数度量（SSIM）分别比单帧B扫描提高了11.1%，154%和187%。视网膜神经纤维层（RNFL）、感光层（PR）和视网膜色素上皮（RPE）层的平均层内对比度（ILC）改善从0.362 \pm 0.133降至0.142 \pm 0.102，从0.449 \pm 0.116降至0.0904 \pm 0.0769，0.381 \pm 0.100至0.0590 \pm 0.0451。所提出的算法减少了长图像采集时间的必要性，最大限度地减少了昂贵的硬件要求，并减少了OCT图像中的运动伪影。
2020-10-06 cs.CV eess.IV
Retinal Vessel Segmentation in Fundoscopic Images with Generative Adversarial Networks
Vuno Inc.（Vuno公司）；Seoul National University College of Medicine（首尔大学医学院）；Seoul National University Bundang Hospital（首尔大学盆唐医院）
视网膜血管分割是眼底图像自动检测视网膜病变的重要步骤。尽管已经提出了许多方法，但现有方法往往会错过细小血管或允许在终末分支处的假阳性。更不用说欠分割了，当定量研究需要测量血管的精确宽度时，过分割也是一个问题。在本文中，我们提出了一种使用生成对抗训练生成视网膜血管精确地图的方法。我们的方法在DRIVE数据集上实现了0.829的骰子系数，在STARE数据集上实现了0.834的骰子系数，这是两个数据集上最先进的性能。
2017-06-28 cs.CV cs.LG
Retinal Vessel Segmentation Based on Conditional Deep Convolutional Generative Adversarial Networks
Northwest Normal University（西北师范大学）
视网膜血管的分割帮助医生对眼底疾病进行诊断有着重要的意义.但现有方法对视网膜血管的分割存在着各种问题, 例如对血管分割不足, 抗噪声干扰能力弱, 对病灶敏感等.针对现有血管分割方法的缺陷, 本文提出使用条件深度卷积生成对抗网络的方法对视网膜血管进行分割.我们主要是对发电机的网络结构进行改进。在卷积层引入残差模块进行残差学习，使得网络结构对输出的变化敏感，从而更好地调整生成器的权重。为了减少参数和计算的数量，在使用大卷积核之前，使用小卷积将输入特征中的通道数量减半。通过使用跳跃连接将卷积层的输出与反卷积层的输出连接起来，避免了低层信息共享。通过在DRIVE和STARE数据集上的验证，该方法的分割准确率分别为96.08%和97.71%，敏感度分别为82.74%和85.34%，F-测度分别为82.08%和85.02%。灵敏度分别比R2 U-Net高4.82%和2.4%。
2018-05-11 cs.CV
Enhancing Retinal Vessel Segmentation Generalization via Layout-Aware Generative Modelling
Faculty of Biomedical Engineering, Technion-IIT（以色列理工学院生物医学工程学院）；Faculty of Mathematics, Technion-IIT（以色列理工学院数学学院）；KU Leuven（鲁汶大学）；UZ Leuven（鲁汶大学医院）；São Paulo Federal University（圣保罗联邦大学）；Massachusetts Institute of Technology（麻省理工学院）；School of Electrical and Computer Engineering, Ben-Gurion University of the Negev（本-古里安大学内盖夫分校电气与计算机工程学院）
本文提出视网膜布局感知扩散模型 RLAD，通过以真实血管等布局成分为条件生成配对训练数据，将视网膜血管分割泛化能力提升最高 8.1%，并公开包含 586 张人工分割图像的 REYIA 数据集。
2025-04-05 cs.CV
Retinal OCT Synthesis with Denoising Diffusion Probabilistic Models for Layer Segmentation
Institute of Imaging and Computer Vision, RWTH Aachen University（成像与计算机视觉研究所，亚琛RWTH大学）；Bio-manufacturing Engineering Laboratory of Tsinghua SIGS, Tsinghua University（清华大学SIGS生物制造工程实验室）；Shenzhen Eye Hospital（深圳眼科医院）；Department of Ophthalmology, RWTH Aachen University（眼科部，亚琛RWTH大学）
本文提出利用DDPMs合成视网膜OCT图像，通过知识迁移提升分割精度，展示其在减少人工标注需求方面的潜力。
2024-03-06 cs.CV eess.IV physics.med-ph
Retinal Vasculature Segmentation Using Local Saliency Maps and Generative Adversarial Networks For Image Super Resolution
IBM Research Australia（IBM澳大利亚研究院）
我们提出了一种使用生成对抗网络（GANs）的图像超分辨率（ISR）方法，该方法采用低分辨率输入眼底图像并生成高达$16$的缩放因子的高分辨率超分辨率（SR）图像。这有助于更准确的自动图像分析，特别是对于小的或模糊的标志和病理。定义每个像素的重要性的局部显著性图用于定义GAN成本函数中的新显著性损失。实验结果表明，所得到的SR图像具有非常接近原始图像的感知质量，并且比不根据像素的重要性对其进行加权的竞争方法表现得更好。当用于视网膜血管分割时，我们的SR图像的精度水平接近于使用原始图像时获得的精度水平。
2018-05-21 cs.CV
Retinal Optic Disc Segmentation using Conditional Generative Adversarial Network
Universitat Rovira i Virgili（罗维拉-威尔吉利大学）；Kayakalp Hospital（Kayakalp医院）；Sant Joan de Reus University Hospital（雷乌斯圣胡安大学医院）；Bioinformatics Institute（生物信息学研究所）
提出了一种基于条件生成对抗网络（cGAN）的视网膜图像分割方法，对视盘进行分割。该模型由两个连续的网络组成：发电机和逆变器。生成器学习映射来自观察输入的信息（即，视网膜眼底彩色图像），到输出（即，二进制掩码）。然后，通过比较地面实况和预测输出，以观察输入图像作为条件，将训练器学习为损失函数来训练该映射。在两个公开可用的数据集上进行了实验; DRISHTI GS 1和RIM-ONE。所提出的模型通过分别实现约0.96%和0.98%的Jaccard和Dice系数而优于最先进的方法。此外，在最近的GPU上，图像分割在不到一秒的时间内完成。
2018-06-11 cs.CV
Retinal Vessel Segmentation under Extreme Low Annotation: A Generative Adversarial Network Approach
Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）
当代基于深度学习的医学图像分割算法需要领域专家进行数小时的注释工作。这些数据饥渴的深度模型在有限数量的标记数据的情况下表现不佳。在本文中，我们使用最近的生成对抗网络概念提出了一个数据有效的学习框架;这使得深度神经网络在低注释状态下的表现明显优于其完全监督的对应网络。该方法是我们以前工作的扩展，增加了一个新的无监督对抗损失和一个基于结构化预测的架构。据我们所知，这项工作是基于对抗框架的结构化预测模型用于医学图像分割的第一次演示。虽然通用，我们应用我们的方法在视网膜眼底图像的血管分割。我们对极低的注释预算（当代注释大小的0.8 - 1.6%）进行了实验。在DRIVE和STARE数据集上，所提出的方法优于我们以前的方法和其他完全监督的基准模型，特别是在注释示例数量非常少的情况下。此外，我们的系统消融研究提出了一些关键配方，用于成功训练基于GAN的半监督算法，并采用编码器-解码器风格的网络架构。
2018-09-05 cs.CV
Synthesizing New Retinal Symptom Images by Multiple Generative Models
National Taiwan University（台湾大学）；King Abdullah University of Science and Technology（沙特阿拉伯国王阿卜杜拉科技大学）；Georgia Institute of Technology（佐治亚理工学院）；Bern University Hospital（伯尔尼大学医院）；Biological and Environmental Sciences and Engineering Division, Computer, Electrical and Mathematical Sciences and Engineering Division, King Abdullah University of Science and Technology（沙特阿拉伯国王阿卜杜拉科技大学生物与环境科学与工程部门、计算机、电气与数学科学与工程部门）；Department of Ophthalmology, Bern University Hospital（伯尔尼大学医院眼科）
年龄相关性黄斑变性（AMD）是一种无症状的视网膜疾病，可能导致视力丧失。有有限的访问高质量的相关视网膜图像和穷人的理解功能定义的子类这种疾病。受机器学习最新进展的启发，我们特别探索了生成建模的潜力，使用生成对抗网络（GANs）和风格转移，通过特征提取来促进临床诊断和疾病理解。我们设计了一个分析管道，首先从临床图像生成合成视网膜图像;随后的验证步骤。在合成步骤中，我们合并了GANs（DCGANs和WGANs架构）和风格转换以生成图像，而验证步骤控制所生成图像的准确性。我们发现，所产生的图像包含足够的病理细节，以方便眼科医生的任务的疾病分类和发现疾病相关的功能。特别地，我们的系统预测AMD的玻璃疣和地图状萎缩亚类。此外，将CFP图像用于GANs的性能优于仅使用原始临床数据集的分类。我们的研究结果进行了评估，使用现有的分类器的视网膜疾病和类激活的地图，支持的预测能力的合成图像和它们的效用特征提取。我们的代码示例可在线获得。
2019-02-11 cs.AI cs.CV cs.LG
GAN-based Super-Resolution and Segmentation of Retinal Layers in Optical coherence tomography Scans
West Virginia University（西弗吉尼亚大学）；Rockefeller Neuroscience Institute（洛克菲勒神经科学研究所）；Georgia Institute of Technology（佐治亚理工学院）；Twentieth Century Fox（二十世纪福克斯公司）；Starfleet Academy（星际舰队学院）
在本文中，我们设计了一种基于生成对抗网络（GAN）的解决方案，用于视网膜层光学相干断层扫描（OCT）扫描的超分辨率和分割。OCT已被确定为一种非侵入性和廉价的成像方式，以发现用于诊断和确定神经退行性疾病（如阿尔茨海默病（AD））进展的潜在生物标志物。目前的假设假设视网膜层的厚度，这是在OCT扫描分析，可以是有效的生物标志物。作为合乎逻辑的第一步，这项工作专注于视网膜层分割的挑战性任务，以及更高清晰度和准确性的超分辨率。我们提出了一个基于GAN的分割模型，并评估将流行的网络，即U-Net和ResNet，与转置卷积和子像素卷积的额外块的GAN架构，用于将OCT图像从低分辨率提升到高分辨率四倍的任务。我们还将骰子损失作为一个额外的重建损失项，以提高性能的联合优化任务。我们的最佳模型配置凭经验实现了0.867的Dice系数和0.765的mIOU。
2022-06-28 cs.CV eess.IV
Segmentation of Retinal Blood Vessels Using Deep Learning
Brunel University London（伦敦布鲁内尔大学）
视网膜血管的形态可以指示人体中的各种疾病，研究人员一直致力于视网膜图像的自动扫描和分割以辅助诊断。该项目比较了四种神经网络架构在分割视网膜图像方面的性能，使用来自不同数据库的组合数据集，即UNet，DR-VNet，UNet-ResNet和UNet-VGG。
2023-03-16 cs.CV eess.IV
SegImgNet: Segmentation-Guided Dual-Branch Network for Retinal Disease Diagnoses
Lehigh University（利哈伊大学）；Guilin University of Electronic Technology（桂林电子科技大学）；University of Pennsylvania（宾夕法尼亚大学）
本文提出用于视网膜疾病诊断的分割引导双分支网络SegImgNet，通过分割模块生成多尺度结构特征图，并结合SGA模块优化双编码器分类过程，在公开与私有数据集上均优于现有方法。
2025-03-01 cs.CV eess.IV
Formula-Driven Data Augmentation and Partial Retinal Layer Copying for Retinal Layer Segmentation
Graduate School of Information Sciences, Tohoku University（东北大学信息科学研究科）；Graduate School of Medicine, Tohoku University（东北大学医学研究科）
针对OCT视网膜层分割依赖预先展平、难以处理病变或近视视网膜的问题，提出FDDA与PRLC两种数据增强方法，使既有分割模型无需展平即可检测层边界。
2024-10-02 cs.CV eess.IV
Retinal Vessel Segmentation based on Fully Convolutional Networks
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
视网膜血管的长度、宽度、曲折度、分支模式和角度等形态属性在糖尿病、高血压和动脉硬化等各种心血管和眼科疾病的诊断、筛查、治疗和评估中发挥着重要作用。从眼底图像中提取视网膜血管形态特征的关键步骤是血管分割。在这项工作中，我们提出了一种基于全卷积网络的视网膜血管分割方法。从每幅视网膜图像中提取数千个斑块，然后将其输入网络，并通过旋转提取的斑块来进行数据论证。全卷积网络的两种架构，U-Net和LadderNet，用于血管分割。我们的方法的性能在三个公共数据集上进行了评估：DRIVE，STARE和CHASE\_DB1。我们的方法的实验结果显示出优越的性能相比，最近的国家的最先进的方法。
2019-11-22 cs.CV eess.IV
A Trio-Method for Retinal Vessel Segmentation using Image Processing
KIIT Deemed to be University（KIIT被视为大学）；Pandit Deendayal Energy University（潘迪特·迪恩达亚尔能源大学）
视网膜内神经元是视网膜最重要的部分，它们通过视网膜血管供应血液。本文主要集中在视网膜血管的分割使用三重预处理方法。该算法结合DRIVE数据库，采用Gabor滤波、高斯模糊、Sobel边缘检测和剪枝等方法对图像进行预处理。细分是由2个提议的U-Net架构驱动的。在所有标准性能指标方面对这两种架构进行了比较。预处理产生了各种有趣的结果，这些结果影响了UNet分割架构所显示的结果。这种实时部署可以帮助有效地预处理图像，更好地分割和检测。
2022-09-19 cs.CV eess.IV
Retinal Image Segmentation with a Structure-Texture Demixing Network
South China University of Technology（华南理工大学）；Pazhou Lab（琶洲实验室）；Inception Institute of Artificial Intelligence（起源人工智能研究院）；Cixi Institute of Biomedical Engineering, Ningbo Institute of Materials Technology and Engineering, Chinese Academy of Sciences（中国科学院宁波材料技术与工程研究所慈溪生物医学工程研究所）
视网膜图像分割在疾病自动诊断中起着重要的作用。由于视网膜图像中混合了复杂的结构和纹理信息，并且难以区分这些信息，因此这项任务非常具有挑战性。现有的方法联合处理纹理和结构，这可能导致偏向于识别纹理的模型，从而导致较差的分割性能。为了解决这个问题，我们提出了一个分割策略，旨在分离结构和纹理组件，并显着提高性能。为此，我们设计了一个结构-纹理分离网络（STD-Net），可以更好地处理结构和纹理。对两个视网膜图像分割任务（即，血管分割、视盘和视杯分割）证明了所提出的方法的有效性。
2020-07-15 cs.CV eess.IV
Retinal Image Restoration and Vessel Segmentation using Modified Cycle-CBAM and CBAM-UNet
Bahcesehir University（巴赫切谢希尔大学）；American University of Malta（马耳他美国大学）
使用低质量眼底图像进行临床筛查具有挑战性，并显著导致误诊。本文主要研究如何通过视网膜图像复原来提高视网膜图像质量和血管分割的问题。更具体地，具有卷积块注意模块（CBAM）的周期一致性生成对抗网络（CycleGAN）用于视网膜图像恢复。一个改进的UNet用于视网膜血管分割的恢复视网膜图像（CBAM-UNet）。该模型由两个发生器和两个鉴别器组成。生成器将图像从一个域转换到另一个域，即，从低质量到高质量，反之亦然。鉴别器对生成的图像和原始图像进行分类。视网膜血管分割模型使用下采样、检查和上采样层来生成分割图像。CBAM已被用来增强这些模型的特征提取。所提出的方法不需要成对的图像数据集，这是具有挑战性的生产。相反，它使用未配对的数据，这些数据由从公开数据集检索的低质量和高质量眼底图像组成。所提出的方法的恢复性能使用全参考评估指标进行评估，例如，峰值信噪比（PSNR）和结构相似性指数（SSIM）。将视网膜血管分割性能与真实眼底图像进行比较。所提出的方法可以显着减少由离焦模糊，颜色失真，低，高，不均匀的照明造成的退化影响。实验结果表明了该方法在视网膜图像恢复和血管分割中的有效性。
2022-10-05 cs.CV eess.IV
Retinal Vessel Segmentation with Pixel-wise Adaptive Filters
University of Science and Technology of China（中国科学技术大学）；Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院）
由于视网膜血管纹理复杂，成像对比度低，因此精确的视网膜血管分割具有挑战性。以前的方法通常通过级联多个深度网络来细化分割结果，这是耗时且低效的。在本文中，我们提出了两种新的方法来解决这些挑战。首先，我们设计了一个轻量级的模块，命名为多尺度残差相似性收集（MRSG），以产生逐像素的自适应滤波器（PA过滤器）。与级联多个深度网络不同，只有一个PA-Filter层可以改善分割结果。其次，我们引入了响应线索擦除（RCE）策略，以提高分割精度。在DRIVE，CHASE_DB1和STARE数据集上的实验结果表明，我们提出的方法在保持紧凑结构的同时优于最先进的方法。代码可在https://github.com/Limingxing00/Retinal-Vessel-Segmentation-ISBI20222上获得。
2022-02-03 cs.CV eess.IV
Study Group Learning: Improving Retinal Vessel Segmentation Trained with Noisy Labels
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Oregon（俄勒冈大学）
从视网膜图像中分割视网膜血管是开发视网膜疾病计算机辅助诊断系统的一项重要任务。已经在基于高性能深度学习的方法上做出了努力，以端到端的方式分割视网膜图像。然而，视网膜血管图像和分割标签的获取需要专业临床医生的繁重工作，这导致具有不完整标签的较小训练数据集。众所周知，数据驱动的方法存在数据不足的问题，并且模型很容易过拟合小规模的训练数据。当训练船标签不完整或不正确时，这种情况变得更加严重。在本文中，我们提出了一个学习组学习（SGL）计划，以提高噪声标签上训练的模型的鲁棒性。此外，学习的增强图提供了比传统方法更好的可视化，作为临床医生的辅助工具。实验表明，该方法在DRIVE和CHASE $\_$ DB1数据集上进一步提高了血管分割性能，尤其是在训练标签含有噪声的情况下。
2021-03-05 cs.CV eess.IV
Utilizing Transfer Learning and a Customized Loss Function for Optic Disc Segmentation from Retinal Images
University of Calgary（卡尔加里大学）；Istanbul Medipol University（伊斯坦布尔梅迪波尔大学）
从视网膜图像中准确分割视盘对于提取可能与视网膜疾病（如青光眼）高度相关的视网膜特征至关重要。在本文中，我们提出了一种基于深度学习的方法，能够在高精度视网膜眼底图像的情况下分割视盘。我们的方法利用了一个基于UNET的模型，并使用了一个在ImageNet数据集上训练的VGG 16编码器。这项研究可以区别于其他研究的定制VGG 16模型，采用的数据集的多样性，椎间盘分割的持续时间，使用的损失函数，以及训练我们的模型所需的参数的数量。我们的方法在七个公开可用的数据集上进行了测试，这些数据集由来自私人诊所的数据集增强，该数据集由两名验光医生通过为此目的而构建的门户网站进行注释。在0.03秒内，从视网膜图像中分割出的视盘，其准确率为99.78%，Dice系数为94.73%。综合实验结果表明，我们的方法从不同来源获得的视网膜图像的光盘分割的鲁棒性。
2020-10-01 cs.CV eess.IV
Evolutionary Neural Architecture Search for Retinal Vessel Segmentation
Shantou University（汕头大学）
准确的视网膜血管分割对于辅助医生诊断眼科疾病和其他系统性疾病具有重要意义。人工设计用于视网膜血管分割的有效神经网络架构需要高度的专业知识和大量的工作量。为了提高血管分割的性能和减少人工设计神经网络的工作量，我们提出了一种新的方法，应用神经结构搜索（NAS）优化的编码器-解码器结构的视网膜血管分割。采用一种改进的进化算法，在有限的计算资源下对编解码器框架结构进行进化。在DRIVE、STARE和CHASE_DB1这三个数据集上，通过该方法获得的演化模型在所有比较方法中表现最好，但参数要少得多。交叉训练的结果表明，进化后的模型具有较好的可扩展性，在临床疾病诊断中具有很大的应用潜力。
2020-03-18 cs.CV eess.IV
Differentiable Projection from Optical Coherence Tomography B-Scan without Retinal Layer Segmentation Supervision
Shanghai Jiao Tong University（上海交通大学）；EPFL（洛桑联邦理工学院）；Shanghai General Hospital（上海市第一人民医院）
光学相干断层扫描（OCT）B超的投影图（PM）是诊断视网膜疾病的重要工具，通常需要视网膜层分割。在这项研究中，我们提出了一种新的端到端的框架来预测PM从B扫描。而不是分割视网膜层明确，我们表示他们隐含的预测坐标。通过在视网膜层之间均匀采样的坐标上进行像素插值，可以容易地利用池化来获得相应的PM。值得注意的是，所有的算子都是可微的;因此，这个可微投影模块（Differentiable Projection Module，缩写为DMM）可以使用PM的基础事实进行端到端的训练，而不是视网膜层分割。我们的框架产生了高质量的PM，显著优于基线，包括一个没有深度先验的香草CNN和一个没有深度先验的基于优化的CNN。此外，作为曲线/曲面之间的区域/体积的新型神经表示，所提出的神经网络可以独立地用于几何深度学习。
2022-06-11 cs.CV eess.IV
Automated segmentation of retinal fluid volumes from structural and angiographic optical coherence tomography using deep learning
Casey Eye Institute, Oregon Health & Science University（俄勒冈健康与科学大学凯西眼科研究所）；School of Physics and Optoelectronic Engineering, Foshan University（佛山大学物理与光电工程学院）；Department of Biomedical Engineering, Oregon Health & Science University（俄勒冈健康与科学大学生物医学工程系）
目的：我们提出了一种深度卷积神经网络（CNN），命名为视网膜流体分割网络（ReF-Net），以分割光学相干断层扫描（OCT）体积上的体积视网膜流体。方法：通过70-kHz OCT商业AngioVue系统（RTVue-XR; Optovue，Inc.）来自临床糖尿病视网膜病变（DR）研究中的51名参与者（45名患有视网膜水肿，6名健康对照）。构建了一个具有U-Net结构的CNN，用于检测和分割视网膜液体。使用横截面OCT和血管造影（OCTA）扫描来训练和测试ReF-Net。在这项研究中，包括OCTA数据的视网膜流体分割的效果进行了研究。可以使用ReF-Net的输出构建体积视网膜流体。计算受试者工作特征曲线下面积（AROC）、交叉连接（IoU）和F1评分，以评价ReF-Net的性能。结果：ReF-Net在视网膜液体分割中显示出较高的准确性（F1 = 0.864 +/- 0.084）。通过包含来自OCTA和结构OCT的信息，可以进一步提高性能（F1 = 0.892 +/- 0.038）。ReF-Net还显示出对阴影伪影的强大鲁棒性。体积视网膜流体可以提供比2D区域更全面的信息，无论是横截面还是正面投影。结论：基于深度学习的方法可以在OCT/OCTA扫描上准确地分割视网膜液体，对阴影伪影具有很强的鲁棒性。OCTA数据可以改善视网膜流体分割。视网膜液体的体积表示优于2D投影。翻译相关性：使用…
2020-06-03 cs.CV eess.IV
Universal Vessel Segmentation for Multi-Modality Retinal Images
本文提出通用血管分割模型URVSM，实现多模态视网膜图像的血管分割，首次实现模态无关分割并拓展新模态研究。
2025-10-16 cs.CV eess.IV
Clinically Verified Hybrid Deep Learning System for Retinal Ganglion Cells Aware Grading of Glaucomatous Progression
National University of Sciences and Technology（国立科技大学）；Khalifa University（哈利法大学）
目的：青光眼是世界范围内第二大致盲性疾病。通过分析视网膜神经节细胞（RGC）的变性可以很容易地监测青光眼的进展。许多研究人员通过测量眼底和光学相干断层扫描的杯盘比来筛查青光眼。然而，本文提出了一种新的策略，注意RGC萎缩筛查神经胶质瘤的病理和分级其严重程度。研究方法：所提出的框架包括一个混合卷积网络，提取视网膜神经纤维层，神经节细胞与内丛状层和神经节细胞复合体区域，从而允许定量筛选的青光眼受试者。此外，通过分析这些区域的厚度，对筛选病例中青光眼的严重程度进行客观分级。结果如下：在公开的武装部队眼科研究所（AFIO）数据集上对所提出的框架进行了严格测试，其中诊断青光眼的F1得分为0.9577，提取RGC区域的平均骰子系数得分为0.8697，分级青光眼进展的准确性为0.9117。此外，所提出的框架的性能进行了临床验证与标记的四个专家眼科医生，达到统计学显着的皮尔逊相关系数为0.9236。结论：与最先进的解决方案相比，RGC变性的自动评估产生更好的昏迷筛查和分级。重要性：RGC-aware系统不仅可以筛查青光眼，还可以对其严重程度进行分级，在这里，我们提出了一种端到端的解决方案，该解决方案在标准化数据集上进行了全面评估，并在临床上经过验证，可用于分析青光眼病理。
2020-10-08 cs.CV eess.IV
Multiclass segmentation as multitask learning for drusen segmentation in retinal optical coherence tomography
Medical University of Vienna（维也纳医科大学）
视网膜光学相干断层扫描（OCT）扫描中的玻璃疣自动分割与了解年龄相关性黄斑变性（AMD）风险和进展相关。该任务通常通过分别分割定义玻璃疣的顶部/底部解剖界面、视网膜色素上皮（OBRPE）的外边界和布鲁赫膜（BM）来执行。在本文中，我们提出了一种新的多解码器架构，解决玻璃疣分割作为一个多任务的问题。我们没有训练用于OBRPE/BM分割的多类模型，而是为每个目标类使用一个解码器，并针对层之间的区域使用额外的解码器。我们还引入了每个类特定分支和附加解码器之间的连接，以增加此代理任务的正则化效果。我们分别用166个早期/中期AMD Spectralis和200个AMD和对照Bioptigen OCT卷在私人/公共数据集上验证了我们的方法。我们的方法在层和玻璃疣分割评估中始终优于几个基线。
2019-07-24 cs.CV eess.IV
BreakNet: Discontinuity-Resilient Multi-Scale Transformer Segmentation of Retinal Layers
University of Pittsburgh（匹兹堡大学）
提出BreakNet多尺度Transformer模型，通过分层Transformer和卷积块提取多尺度特征，解决vis-OCT视网膜成像中血管阴影伪影导致的边界不连续问题，实现精确分割。
2024-08-26 cs.CV eess.IV
DGSSA: Domain generalization with structural and stylistic augmentation for retinal vessel segmentation
Nanchang University（南昌大学）；Southeast University（东南大学）；Xi'an Jiaotong Liverpool University（西交利物浦大学）；University of California Los Angeles（加利福尼亚大学洛杉矶分校）
本文提出DGSSA方法，通过空间殖民算法生成类血管结构并结合Pix2Pix生成伪图像，同时利用PixMix光度增强和不确定性扰动提升风格多样性，在四个视网膜血管分割数据集上取得最先进性能。
2025-07-20 cs.CV eess.IV
Dense Residual Network for Retinal Vessel Segmentation
Budapest University of Technology and Economics（布达佩斯技术与经济大学）；Jiangxi Normal University（江西师范大学）；Eötvös Loránd University（厄特沃什·罗兰大学）；Shenyang Aerospace University（沈阳航空航天大学）
视网膜血管分割在视网膜图像分析中起着重要的作用，因为视网膜血管结构的变化可以帮助诊断高血压和糖尿病等疾病。在最近的研究中，已经提出了许多成功的眼底图像分割方法。但对于其他视网膜成像方式，需要更多的研究来探索血管提取。在这项工作中，我们提出了一种有效的方法来分割血管扫描激光检眼镜（SLO）视网膜图像。受U-Net、“特征映射重用”和残差学习的启发，我们提出了一种称为DRNet的深度密集残差网络结构。在DRNet中，先前块的特征图自适应地聚合到后续层中作为输入，这不仅有助于空间重建，而且由于更稳定的梯度而更有效地学习。此外，我们引入了DropBlock来缓解网络的过拟合问题。我们训练和测试这个模型在最近的SLO公共数据集。结果表明，即使没有数据增强，我们的方法也达到了最先进的性能。
2020-04-07 cs.CV eess.IV
Automated retinal vessel segmentation based on morphological preprocessing and 2D-Gabor wavelets
视网膜图像中血管图的自动分割在不同眼部疾病的诊断过程中具有潜在的益处。在本文中，我们提出了一种新的无监督的视网膜血管分割方法，使用顶帽变换，对比度有限的自适应直方图均衡（CLAHE），和2-D Gabor小波滤波器。最初，视网膜图像预处理使用顶帽形态变换，然后CLAHE，以提高只有血管像素的渗出物，视盘，和中央凹的存在。然后，多尺度的2-D Gabor小波滤波器应用于预处理后的图像，以更好地表示位于不同方向的厚和薄的血管。公开可用的DRIVE数据库与手动标记的图像所提出的算法的有效性进行评估。在DRIVE数据库上，我们实现了94.32%的平均准确率，标准差为0.004。与主要算法相比，我们的算法产生更好的性能，关于准确性，灵敏度和Kappa协议。
2019-08-12 cs.CV eess.IV
AADG: Automatic Augmentation for Domain Generalization on Retinal Image Segmentation
卷积神经网络在医学图像分割中得到了广泛的应用，并取得了良好的效果。然而，性能可能会受到训练数据（源域）和测试数据（目标域）之间的域间隙的显着影响。为了解决这个问题，我们提出了一种基于数据操作的领域泛化方法，称为自动增强领域泛化（AADG）。我们的AADG框架可以有效地对数据增强策略进行采样，这些策略可以生成新的域，并从适当的搜索空间中使训练集多样化。具体来说，我们引入了一种新的代理任务，最大限度地提高了多个增强的新领域之间的多样性，在一个单位球空间的Sinkhorn距离测量，使自动增强听话。采用对抗训练和深度强化学习来有效地搜索目标。对11个公开获取的眼底图像数据集（4个用于视网膜血管分割，4个用于视盘和杯（OD/OC）分割，3个用于视网膜病变分割）进行了全面的定量和定性实验。两个OCTA数据集的视网膜血管分割进一步参与验证跨模态泛化。我们提出的AADG具有最先进的泛化性能，并在视网膜血管，OD/OC和病变分割任务上优于现有方法。经验验证，学习到的策略是模型不可知的，可以很好地转移到其他模型。源代码可在https://github.com/CRazorback/AADG上获得。
2022-07-27 cs.CV eess.IV
Boosting Connectivity in Retinal Vessel Segmentation via a Recursive Semantics-Guided Network
Dalian University of Technology（大连理工大学）；Ritsumeikan University（立命馆大学）
许多基于深度学习的视网膜血管分割方法已经被提出，但是很少有人关注被分割的血管的连通性，这对于视网膜图像的实际计算机辅助诊断系统是非常重要的。在本文中，我们提出了一个有效的网络来解决这个问题。通过引入语义引导模块，将丰富的语义信息集成到浅层，以引导网络探索更强大的功能，从而增强了U形网络。此外，递归细化迭代地将相同的网络应用于先前的分割结果，以逐步提高性能，同时不增加额外的网络参数。精心设计的递归语义引导网络已经在几个公共数据集上进行了广泛的评估。实验结果表明了该方法的有效性。
2020-04-24 cs.CV eess.IV
Projective Skip-Connections for Segmentation Along a Subset of Dimensions in Retinal OCT
Medical University of Vienna（维也纳医科大学）
在医学成像中，存在临床相关的分割任务，其中输出掩模是到输入图像维度的子集的投影。在这项工作中，我们提出了一种新的卷积神经网络架构，可以有效地学习生成比输入图像更低维的分割掩码。该网络仅在输入空间维度的子集中恢复编码表示，并在其他维度中保持表示不变。新提出的投影跳跃连接允许链接的编码器和解码器在一个UNet的结构。我们评估了所提出的方法在视网膜光学相干断层扫描（OCT）的两个临床相关的任务：地图状萎缩和视网膜血管分割。所提出的方法优于当前最先进的方法上使用的所有OCT数据集，包括3D体积和相应的2D en-face掩模。所提出的架构填补了图像分类和ND图像分割之间的方法差距。
2021-08-02 cs.CV eess.IV
A Segmentation-Oriented Inter-Class Transfer Method: Application to Retinal Vessel Segmentation
College of Information Science and Engineering, Northeastern University（东北大学信息科学与工程学院）；Department of Computing, Imperial College London（帝国理工学院计算系）
视网膜血管分割作为眼科疾病或糖尿病患者的主要非侵入性诊断方法，由于需要逐像素标记而遭受数据稀缺。在本文中，我们提出了一个方便的补丁为基础的两阶段转移方法。首先，基于信息瓶颈理论，我们插入一个降维层的任务特定的特征空间。其次，半监督聚类进行选择的实例，从不同的源数据库，在特征空间中具有相似性。令人惊讶的是，我们的经验表明，具有相似性的不同类别的图像有助于更好的性能比一些同类的实例。所提出的框架在DRIVE、STARE和HRF上分别实现了97%、96.8%和96.77%的准确率，优于当前方法和独立人类观察者（DRIVE（96.37%）和STARE（93.39%））。
2019-06-20 cs.CV eess.IV
Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images
针对OCT图像视网膜水肿病变分割中边界模糊和噪声干扰等问题，提出可靠多尺度小波增强Transformer网络，通过集成小波特征提取与多尺度Transformer模块，并引入基于主观逻辑证据理论的不确定性分割头，在提升分割精度的同时实现了结果可靠性评估。
2024-01-02 cs.CV eess.IV
Genetic U-Net: Automatically Designed Deep Networks for Retinal Vessel Segmentation Using a Genetic Algorithm
Shantou University（汕头大学）
近年来，许多基于人工设计的卷积神经网络（CNN）的方法在自动视网膜血管分割方面取得了可喜的成果。然而，这些CNN在复杂眼底图像中捕获视网膜血管方面仍然受到限制。为了提高其分割性能，这些CNN往往具有许多参数，这可能导致过拟合和高计算复杂度。此外，人工设计有竞争力的CNN是耗时的，需要大量的经验知识。在此，提出了一种新的自动化设计方法，称为遗传U-网络，以生成U形CNN，可以实现更好的视网膜血管分割，但具有更少的基于结构的参数，从而解决上述问题。首先，我们设计了一个压缩，但灵活的搜索空间的基础上U形编码器-解码器。然后，我们使用了一种改进的遗传算法，以确定性能更好的架构在搜索空间和研究的可能性，找到一个更好的网络架构与更少的参数。实验结果表明，使用所提出的方法获得的架构提供了优越的性能，特别是小于1%的原始U-Net参数的数量，并与其他国家的最先进的模型的参数显着减少。此外，通过对实验结果的深入研究，确定了几种有效的网络操作和模式，以生成更好的视网膜血管分割。
2021-06-11 cs.CV eess.IV
Contextual Information Enhanced Convolutional Neural Networks for Retinal Vessel Segmentation in Color Fundus Images
Beijing University of Posts and Telecommunications（北京邮电大学）
准确的视网膜血管分割是彩色眼底图像分析中的一个难题。自动视网膜血管分割系统可以有效地促进临床诊断和眼科研究。从技术上讲，这个问题受到不同程度的血管厚度、细节感知和上下文特征融合的影响。为了应对这些挑战，提出了一种基于深度学习的方法，并将几个定制模块集成到著名的编码器-解码器架构U-net中，该架构主要用于医学图像分割。在结构上，级联的扩张卷积模块被集成到中间层中，用于获得更大的感受野并生成更密集的编码特征图。此外，具有空间连续性的金字塔模块的优点已经被用于多厚度感知、细节细化和上下文特征融合。此外，在具有特定属性的不同数据集的网络训练中，讨论了不同归一化方法的有效性。在实验上，已经在三个视网膜血管分割数据集DRIVE、CHASEDB 1和不健康数据集STARE上进行了足够的比较实验。结果表明，该方法在敏感度/召回率、F1分数和MCC等方面均优于前人的工作，达到了最先进的水平。
2021-03-25 cs.CV eess.IV
DR-VNet: Retinal Vessel Segmentation via Dense Residual UNet
Trinity College Dublin（都柏林圣三一学院）；Maynooth University（梅努斯大学）；St. James’s Hospital（圣詹姆斯医院）
准确的视网膜血管分割是许多计算机辅助诊断系统的重要任务。然而，由于眼睛的复杂血管结构，它仍然是一个具有挑战性的问题。近年来，人们提出了许多血管分割方法，但对于细小血管分割效果不佳的问题还需要进一步研究。为了解决这个问题，我们提出了一种新的深度学习流水线，结合了剩余密集网络块和剩余挤压和激励块的效率。我们在三个数据集上通过实验验证了我们的方法，并表明我们的管道在与评估小血管捕获相关的灵敏度度量方面优于当前最先进的技术。
2022-03-22 cs.CV eess.IV
EAR-NET: Error Attention Refining Network For Retinal Vessel Segmentation
University of Warwick（华威大学）；Griffith University（格里菲斯大学）；University of Adelaide（阿德莱德大学）；King’s College London（伦敦国王学院）
视网膜图像中血管的精确检测对于视网膜血管疾病的早期诊断至关重要，糖尿病、高血压和日光性视网膜病。现有的工作往往无法预测异常区域，例如突然变亮和变暗的区域，并且由于显著的类别不平衡而倾向于预测像素到背景，导致高准确性和特异性而低灵敏度。为此，我们提出了一种新的错误注意力细化网络（ERA-Net），它能够以两阶段的方式学习和预测潜在的错误预测，以实现有效的视网膜血管分割。在细化阶段，所提出的ERA-Net驱动模型关注并细化初始训练阶段产生的分割错误。为了实现这一点，与大多数以前的注意力方法以无监督的方式运行不同，我们引入了一种新的错误注意力机制，该机制将地面实况和初始分割掩码之间的差异视为地面实况来监督注意力地图学习。实验结果表明，我们的方法实现了最先进的性能在两个常见的视网膜血管数据集。
2021-09-22 cs.CV eess.IV
Pyramid U-Net for Retinal Vessel Segmentation
Fudan University（复旦大学）；Victoria University（维多利亚大学）；Guangzhou University（广州大学）；Guangdong Cardiovascular Institute（广东省心血管病研究所）；Guangdong Provincial People's Hospital（广东省人民医院）
视网膜血管可以辅助医生诊断糖尿病、高血压等眼部相关疾病，其分割对于视网膜图像的自动分析尤为重要。然而，由于彩色视网膜图像的对比度低、模糊性大，要从彩色视网膜图像中分割出这些血管结构，特别是细小的毛细血管，是一项具有挑战性的工作。在本文中，我们提出了金字塔U-网络准确的视网膜血管分割。在金字塔U-Net中，在编码器和解码器中都采用了所提出的多尺度聚合块（PSAB）来聚合更高、当前和更低级别的特征。以这种方式，从粗到细的上下文信息在每个块中被共享和聚合，从而改善毛细血管的位置。为了进一步提高性能，两个优化，包括金字塔输入增强和深金字塔监督分别应用于编码器和解码器中的PSAB。对于编码器中的PSAB，缩放的输入图像被添加为额外的输入。而对于解码器中的PSAB，缩放的中间输出由缩放的分割标签监督。广泛的评估表明，我们的金字塔U-Net在公共DRIVE和CHASE-DB 1数据集上的性能优于当前最先进的方法。
2021-04-06 cs.CV eess.IV
SPNet: A novel deep neural network for retinal vessel segmentation based on shared decoder and pyramid-like loss
Sun Yat-Sen University（中山大学）
视网膜血管图像的分割是视网膜病变诊断的关键。最近，卷积神经网络已经显示出提取血管结构的显著能力。然而，由于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然具有挑战性。在本文中，我们提出了一种新的基于共享解码器和类递归损失（SPNet）的视网膜血管分割深度神经网络来解决上述问题。具体来说，我们引入了一个解码器共享机制来捕获多尺度语义信息，其中不同尺度的特征图通过一系列权重共享解码器模块进行解码。此外，为了加强对毛细血管和血管边缘的表征，我们定义了一个残余金字塔架构，在解码阶段分解空间信息。设计了一个类高斯损失函数来逐步补偿可能的分割错误。在公共基准上的实验结果表明，该方法优于主干网和国家的最先进的方法，特别是在毛细血管和血管轮廓的区域。此外，交叉数据集上的性能验证了SPNet具有更强的泛化能力。
2022-02-19 cs.CV eess.IV
Attention Guided Network for Retinal Image Segmentation
South China University of Technology（华南理工大学）；Inception Institute of Artificial Intelligence（启元人工智能研究院）；Peng Cheng Laboratory（鹏城实验室）；CVTE Research（视源股份研究院）；Cixi Institute of Biomedical Engineering, Ningbo Institute of Materials Technology and Engineering, Chinese Academy of Sciences（中国科学院宁波材料技术与工程研究所慈溪生物医学工程研究所）
在视网膜图像分割中，结构信息的学习是获得理想结果的关键。最近，卷积神经网络已经显示出提取有效表示的强大能力。然而，卷积和池化操作会过滤掉一些有用的结构信息。在本文中，我们提出了一个注意力引导网络（AG-Net），以保持结构信息和指导扩展操作。在我们的AG-Net中，引导滤波器被利用作为结构敏感的扩展路径，从以前的特征图中传递结构信息，并引入注意力块来排除噪声，进一步减少背景的负面影响。对两个视网膜图像分割任务（即，血管分割、视盘和视杯分割）证明了我们所提出的方法的有效性。
2019-10-23 cs.CV eess.IV
Multi-Task Neural Networks with Spatial Activation for Retinal Vessel Segmentation and Artery/Vein Classification
Youtu Lab, Tencent（腾讯优图实验室）；School of Information Science and Engineering, Xiamen University（厦门大学信息科学与工程学院）
视网膜动脉/静脉（A/V）分类在各种系统性和心血管疾病如何影响视网膜血管的临床生物标志物研究中起着关键作用。传统的自动A/V分类方法通常是复杂的，并且严重依赖于准确的血管分割。在本文中，我们提出了一种具有空间激活机制的多任务深度神经网络，能够同时分割完整的视网膜血管，动脉和静脉，而不需要血管分割的先决条件。网络的输入模块集成了广泛使用的视网膜预处理和血管增强技术的领域知识。我们专门定制了具有空间激活机制的网络输出块，该机制利用了相对简单的血管分割任务，并利用它来提高A/V分类的性能。此外，深度监督被引入到网络中，以帮助低级别层提取更多的语义信息。所提出的网络在血管分割方面实现了95.70%的像素精度，A/V分类精度为94.50%，这是AV-DRIVE数据集上两项任务的最新性能。此外，我们还在INSPIRE-AVR数据集上测试了模型性能，其骨骼A/V分类准确率为91.6%。
2020-07-18 cs.CV eess.IV
Residual Spatial Attention Network for Retinal Vessel Segmentation
Eötvös Loránd University（罗兰大学）；Budapest University of Technology and Economics（布达佩斯技术与经济大学）；Jiangxi Normal University（江西师范大学）；Chinese Academy of Science（中国科学院）；Qinghai University（青海大学）
视网膜血管的可靠分割可以被用作监测和诊断某些疾病（诸如糖尿病和高血压）的方式，因为它们影响视网膜血管结构。在这项工作中，我们提出了剩余空间注意力网络（RSAN）的视网膜血管分割。RSAN采用改进的残差块结构，集成了DropBlock，不仅可以用于构建深度网络以提取更复杂的血管特征，还可以有效缓解过拟合。此外，为了进一步提高网络的表示能力，在此基础上引入空间注意力（SA），提出了残差空间注意力块（RSAB）来构建RSAN。我们采用公共的DRIVE和CHASE DB1彩色眼底图像数据集来评估所提出的RSAN。实验表明，修改后的残余结构和空间注意力在这项工作中是有效的，并且我们提出的RSAN达到了最先进的性能。
2020-09-18 cs.CV eess.IV
RC-Net: A Convolutional Neural Network for Retinal Vessel Segmentation
Deakin University（迪肯大学）；COMSATS University Islamabad（伊斯兰堡通信卫星大学）
近年来，基于复杂卷积神经网络架构的越来越复杂的方法已经慢慢地在完善的基准数据集上推动性能。在本文中，我们退后一步来研究这种复杂性的真正需要。我们提出了RC-Net，一个完全卷积的网络，其中每层的过滤器数量经过优化，以减少特征重叠和复杂性。我们还使用跳过连接，通过将网络中的池化操作数量保持在最低限度来将空间信息损失保持在最低限度。在我们的实验中使用了两个公开的视网膜血管分割数据集。在我们的实验中，RC-Net非常有竞争力，优于其他血管分割方法，可训练参数少两个甚至三个数量级。
2021-12-21 cs.CV eess.IV
Deep Dilated Convolutional Nets for the Automatic Segmentation of Retinal Vessels
Computer Science Department, Henry Samueli School of Engineering Stein Eye Institute, David Geffen School of Medicine University of California, Los Angeles, CA 90095, USA
视网膜血管系统的可靠分割可以提供诊断和监测影响血管网络的各种疾病（包括糖尿病和高血压）的进展的手段。我们利用卷积神经网络的强大功能来设计一种可靠且完全自动化的方法，可以准确地检测，分割和分析视网膜血管。特别是，我们提出了一种新型的全卷积深度神经网络，其编码器-解码器架构采用具有多个膨胀率的膨胀空间金字塔池来恢复编码器中丢失的内容，并向解码器添加多尺度上下文信息。我们还提出了一种简单而有效的方法，通过直接使用分割预测来量化和跟踪视网膜血管的宽度。与之前主要依赖逐块分析的基于深度学习的视网膜血管分割方法不同，我们提出的方法在训练和推理过程中利用了整体图像方法，通过访问图像中的全局内容实现更高效的训练和更快的推理。我们已经在两个公开的数据集上测试了我们的方法，我们在DRIVE和CHASE-DB 1数据集上的最新结果证明了我们方法的有效性。
2019-07-21 cs.CV eess.IV
IterNet: Retinal Image Segmentation Utilizing Structural Redundancy in Vessel Networks
Osaka University（大阪大学）
视网膜血管分割是诊断视网膜血管性疾病的重要方法。为了进一步提高血管分割的性能，我们提出了IterNet，这是一种基于UNet的新模型，能够从分割的血管图像本身而不是原始输入图像中找到血管的模糊细节。IterNet由mini-UNet的多次迭代组成，它可以比普通UNet深4 $\times$。IterNet还采用了权重共享和跳过连接的特性来促进训练;因此，即使有如此大的架构，IterNet仍然可以从仅仅10个$\sim$ 20标记的图像中学习，而无需预先训练或任何先验知识。IterNet在三个主流数据集（即DRIVE、CHASE-DB 1和STARE）上的AUC分别为0.9816、0.9851和0.9881，这是目前文献中最好的分数。源代码是可用的。
2019-12-12 cs.CV eess.IV
