用于视网膜血管分割的深度学习方法：在早产儿视网膜病变图像上的评估
图像与视频处理
2023-06-21 v1 计算机视觉与模式识别
机器学习
摘要
从视网膜图像中自动分割血管在许多全身性和眼部疾病（包括早产儿视网膜病变）的诊断中起着重要作用。当前基于卷积神经网络的视网膜图像血管分割研究处于领先水平。迄今为止提出的解决方案都是在少数可用的视网膜血管分割数据集的图像上进行训练和测试的，当给定具有早产儿视网膜病变体征的图像时，这可能会限制其性能。在本文中，我们评估了三种高性能卷积神经网络在早产儿视网膜病变视网膜图像上进行血管分割的性能。该研究背后的主要动机是测试现有公共数据集是否足以开发出能够协助眼科医生诊断早产儿视网膜病变的高性能预测器。为此，我们创建了一个仅由早产儿视网膜病变图像组成的数据集，其中的视网膜血管标注由两名观察者手动标记，其中一人为在早产儿视网膜病变治疗方面经验丰富的眼科医生。实验结果表明，由于与公共数据集中的图像相比对比度较低，所有三种解决方案在检测婴儿视网膜血管时都存在困难，分类灵敏度的显著下降证明了这一点。这三种解决方案在分割视网膜血管的同时也分割了脉络膜血管，而脉络膜血管不用于诊断早产儿视网膜病变，反而代表噪声并被混淆为视网膜血管。通过视觉和数值观察，我们发现现有的视网膜血管分割解决方案需要向更详细的数据集或更深的模型改进，以协助眼科医生诊断早产儿视网膜病变。
引用
@article{arxiv.2306.11576,
title = {Deep Learning Methods for Retinal Blood Vessel Segmentation: Evaluation on Images with Retinopathy of Prematurity},
author = {Gorana Gojić and Veljko Petrović and Radovan Turović and Dinu Dragan and Ana Oros and Dušan Gajić and Nebojša Horvat},
journal= {arXiv preprint arXiv:2306.11576},
year = {2023}
}