一种评估和改进分割算法对难检测血管性能的新方法
计算机视觉与模式识别
2024-06-21 v1 机器学习
摘要
许多关于生物组织脉管系统的研究都涉及对样本中血管的分割，然后创建图结构来模拟脉管系统。该图随后用于提取相关的血管属性。小的分割误差可能导致截然不同的连通性模式以及提取属性的高度可变性。然而，Dice、精确率和召回率等全局指标通常用于衡量血管分割算法的性能。这些指标可能掩盖关于样本特定区域准确性的重要信息。为了解决这个问题，我们提出了一个局部血管显著性（LVS）指数，用于量化分割特定血管段的预期难度。LVS 指数通过比较血管的局部强度与像素周围的图像背景，为每个血管像素计算得出。然后，该指数用于定义一个新的准确率指标，称为低显著性召回率（LSRecall），该指标量化了分割算法在低显著性血管段上的性能。LVS 指数提供的视角用于定义一种数据增强程序，可用于提高卷积神经网络的分割性能。我们表明，具有高 Dice 和召回率值的分割算法可能显示出非常低的 LSRecall 值，这揭示了这些算法在低显著性血管上存在系统性误差。所提出的数据增强程序能够将某些样本的 LSRecall 提高多达 25%。所开发的方法为比较分割算法在难检测血管方面的性能及其保留血管拓扑结构的能力开辟了新的可能性。
引用
@article{arxiv.2406.13128,
title = {A New Approach for Evaluating and Improving the Performance of Segmentation Algorithms on Hard-to-Detect Blood Vessels},
author = {João Pedro Parella and Matheus Viana da Silva and Cesar Henrique Comin},
journal= {arXiv preprint arXiv:2406.13128},
year = {2024}
}