BTS-DSN：用于视网膜血管分割的带短连接深度监督神经网络
计算机视觉与模式识别
2019-09-24 v2
摘要
背景与目的：人眼血管状况是眼科疾病诊断的重要因素。由于血管结构复杂、存在微动脉瘤和出血等相似结构、仅有一至几个像素宽的微血管以及对更精细结果的需求，眼底图像中的血管分割是一项具有挑战性的任务。方法：本文提出一种用于血管分割的带短连接多尺度深度监督网络（BTS-DSN）。我们利用短连接在侧输出层之间传递语义信息。自底向上短连接将低层语义信息传至高层以细化高层侧输出结果，自顶向下短连接将大量结构信息传至低层以降低低层侧输出中的噪声。此外，我们采用交叉训练以表明我们的模型适用于真实世界眼底图像。结果：所提出的 BTS-DSN 已在 DRIVE、STARE 和 CHASE_DB1 数据集上验证，并展现出优于其他 SOTA 方法的竞争性能。特别地，在块级输入下，该网络在 DRIVE 和 STARE 上分别取得了 0.7891/0.8212 灵敏度、0.9804/0.9843 特异度、0.9806/0.9859 AUC 和 0.8249/0.8421 F1-score。此外，我们的模型在交叉训练实验中表现优于其他方法。结论：BTS-DSN 在三个公开数据集的血管分割任务中取得了竞争性能，适用于血管分割。我们的方法源代码可在 https://github.com/guomugong/BTS-DSN 获取。
引用
@article{arxiv.1803.03963,
title = {BTS-DSN: Deeply Supervised Neural Network with Short Connections for Retinal Vessel Segmentation},
author = {Song Guo and Kai Wang and Hong Kang and Yujun Zhang and Yingqi Gao and Tao Li},
journal= {arXiv preprint arXiv:1803.03963},
year = {2019}
}