【视网膜分割】一种基于结构自适应模型的空洞残差网络

写在前面：本博客仅作记录学习之用，部分图片来自网络，如需引用请注明出处，同时如有侵犯您的权益，请联系删除！

---

---

前言

视网膜血管分割在医学影像处理中是一个极具挑战性的任务，主要由于视网膜血管的复杂形态特征和视网膜背景的复杂性。
视网膜血管的形态各异，包括血管宽度、角度和分支形态的变化，这些变化对于诊断血管相关疾病（如青光眼、糖尿病、视网膜病变和年龄相关性黄斑变性等）至关重要。

传统上，眼科医生通过研究眼底图像来决定患者是否患有眼科疾病，并手动分割血管。然而，这一过程不仅耗时耗力，而且在面对微小血管直径、模糊血管表示、低血管背景对比度和病变遮挡等微妙情况时，即使是经验丰富的眼科医生也容易忽略细节（见图1(a)-(d)）。因此，开发一种高效且准确的自动视网膜血管分割方法对于早期诊断和治疗至关重要。

局部放大可参考我的博客：【学习记录】图片局部放大
本文首发于东荷新绿的网站 -【视网膜分割】一种基于结构自适应模型的空洞残差网络

本研究旨在提出一种新型的深度学习模型——基于结构自适应模型的空洞残差网络（ARSA-UNet），以解决视网膜血管分割中的挑战。
主要包括：

• 提高视网膜血管分割的精度，尤其是在复杂背景下对毛细血管的分割。
• 通过引入结构自适应层、空洞残差路径、特征筛选融合模块和多尺度深度监督机制，改进传统UNet模型的局限性。

---

论文

论文名： ARSA-UNet: Atrous residual network based on Structure-Adaptive model for retinal vessel segmentation

论文速递： 点我转跳哦

代码通道： GitHub

Cite： RIS | BibTeX

论文内容

网络架构

ARSA-UNet网络基于UNet架构，主要由编码器、解码器以及四个关键模块组成：结构自适应层（SAL）、空洞残差路径（AR Path）、特征筛选融合模块（FSF）和多尺度深度监督模块（MDS）。

• 结构自适应层（SAL）：SAL模块通过动态调整网络结构来适应不同层次的特征映射，增强网络的详细特征提取能力。它包含残差结构，通过叠加更多的卷积层来提取更丰富的语义信息，同时避免网络退化。
  

• 空洞残差路径（AR Path）：AR Path模块在跳跃连接层中引入空洞卷积，以动态调整感受野，获取更深层次的多尺度语义信息和更丰富的空间信息。该模块通过并行1×1卷积和空洞率为2的3×3空洞卷积来实现。
  

• 特征筛选融合模块（FSF）：FSF模块通过融合底层精确的空间信息和顶层准确的语义信息，同时抑制背景噪声，实现更有效的特征融合。
  它使用Squeeze-and-Excitation模块来获取特征关系，并通过全局平均池化生成权重向量，对低层特征图进行加权求和，再与高层特征图融合。

• 多尺度深度监督模块（MDS）：MDS模块通过将解码器各层的输出纳入损失函数的计算中，使网络能够学习更多的空间和语义信息，从而提高分割精度。它使用Dice Loss作为损失函数，并通过加权求和的方式将各侧分支的输出纳入最终损失函数的计算中。
  $$L_{Dke}=\frac{2\times (pred\cap true)+smooth}{pred\cup true+smooth}$$
  $$L_{total}=\sum _{i=1}^n{a}_i\times L_{Dlcc}^l$$

实验设置

实验在DRIVE、CHASE和STARE三个主流数据集上进行，使用准确率（Accuracy）、精确率（Precision）、特异性（Specificity）、敏感度（Sensitivity）和F1分数作为评价指标。实验平台基于Keras框架和Tensorflow，使用NVIDIA GeForce RTX 2080Ti GPU和32 GB RAM。
优化器采用随机梯度下降（SGD），学习率设置为0.01，动量设置为0.9，Epoch设置为15，Batch Size设置为8。

通过可视化替换实验和消融实验的结果，直观展示了ARSA-UNet在视网膜血管分割中的优越性。与专家手动分割结果相比，ARSA-UNet能够更准确地分割出视网膜血管，尤其是在微小血管和复杂背景下的血管分割中表现突出。同时，ARSA-UNet在三个数据集上均取得了最高的敏感度和F1分数，同时在准确率和特异性方面也表现优异，验证了所提方法的有效性。

研究局限

尽管ARSA-UNet在视网膜血管分割中取得了显著成效，但仍存在一些局限性：

• 数据集样本数量有限：公开视网膜数据集样本数量有限，导致在某些实验中出现失败案例。未来需要探索更有效的数据增强技术来提高模型的泛化能力。
• 模型大小优势不明显：尽管所提模型较为轻量，但与其他先进模型相比，模型大小优势并不明显。未来将探索更轻量的网络以提升模型的整体性能。
• Transformer网络的应用：尽管Transformer网络在医学图像分割中已被证实有效，但其时间成本较高。未来将探索更轻量的Transformer模型在视网膜分割中的应用。

未来研究

• 数据增强与样本扩充：通过更有效的数据增强技术来扩充训练样本数量和质量，提高模型的泛化能力。例如，可以使用生成对抗网络（GAN）来生成更多样化的视网膜图像。
• 轻量级网络设计：设计更轻量的网络架构，减少模型参数和计算量，同时保持或提升模型的分割精度。例如，可以使用深度可分离卷积、通道剪枝等技术来优化网络结构。
• Transformer模型的轻量化应用：探索更轻量的Transformer模型在视网膜分割中的应用，以降低时间成本并提高分割精度。例如，可以使用轻量级注意力机制、动态卷积等技术来优化Transformer模型。
• 多任务学习与迁移学习：将视网膜血管分割任务与其他相关任务（如视网膜病变检测、眼底图像分类等）进行多任务学习，共享特征表示以提高模型性能。同时，可以利用迁移学习技术将在大规模数据集上预训练的模型应用于视网膜血管分割任务中，加速模型收敛并提高分割精度。
• 临床验证与应用：在实际临床环境中验证所提方法的有效性和实用性，与眼科医生合作收集更多真实世界的视网膜图像数据，进一步优化模型性能并推动其在实际临床中的应用。

---

期刊说明

期刊：Biomedical Signal Processing and Control

更多详情可参考LetPub-biomedical-signal-processing-and-control。

---

总结

总结： ARSA-UNet是一种基于结构自适应模型的空洞残差网络，用于视网膜血管分割。通过引入结构自适应层、空洞残差路径、特征筛选融合模块及多尺度深度监督机制，提高了分割精度，特别是在复杂背景下的毛细血管分割。实验在DRIVE、CHASE和STARE数据集上验证了其有效性，ARSA-UNet在敏感度、F1分数等指标上表现优异。未来将探索数据增强、轻量级网络设计及Transformer模型应用，以进一步提升性能。

---

互动

• 上述对你有用吗？

• 该论文期刊的审稿速度怎么样？

• 有更多相关期刊和论文推荐吗？

欢迎在评论区解答上述问题，分享你的经验和疑问！

当然，也欢迎一键三连给我鼓励和支持：👍点赞 📁 关注 💬评论。

---

致谢

欲尽善本文，因所视短浅，怎奈所书皆是瞽言蒭议。行文至此，诚向予助与余者致以谢意。

---

参考

[1] Biomedical Signal Processing and Control
[2] LetPub-biomedical-signal-processing-and-control
[3] ARSA-UNet: Atrous residual network based on Structure-Adaptive model for retinal vessel segmentation
[4] GitHub-SADS-UNet
[5] 【学习记录】图片局部放大

---

往期回顾

序号	博客名	点击图片转跳哦
1	【NeurIPS-2022】CodeFormer: 将人脸复原转化为码本预测以减少LQ-HQ映射的不确定性
2	【CVPR-2023】DR2：解决盲人脸复原无法覆盖真实世界所有退化的问题
3	【论文学习】DifFace：一个建立在后验分布上的鲁棒扩散模型
4	【论文学习】PromptIR：一种基于提示学习的一体化图像恢复方法
5	【论文学习】RAHC：一种处理五种常见天气的任意混合退化的图像修复方法
6	【论文学习】PSFR-GAN：一种结合几何先验的渐进式复原网络
7	【论文学习】Panini-Net：一种可根据退化程度动态融合特征复原方法
8	【论文学习】GCFSR：一种无需先验的强度可调的人脸超分框架
9	【论文学习】SGPN：一种形状和生成先验相结合盲脸复原的方法