DPN：用于视网膜血管高效分割的保持细节网络与高分辨率表征
图像与视频处理
2021-08-31 v2 计算机视觉与模式识别
摘要
视网膜血管是许多眼科和心血管疾病的重要生物标志物。因此，开发用于计算机辅助诊断的自动模型具有重要意义。现有方法如 U-Net 遵循编码器-解码器流程，为实现大视野而在编码器中丢失细节信息。尽管空间细节信息可在解码器中部分恢复，但编码器的高分辨率特征图中存在噪声。并且，我们认为这种编码器-解码器架构对于血管分割是低效的。本文提出保持细节网络（DPN），其避免了编码器-解码器流程。为同时保持细节信息并学习结构信息，我们设计了保持细节块（DP-Block）。进一步，我们将八个 DP-Block 堆叠构成 DPN。更重要的是，这些块之间无下采样操作。因此，DPN 在处理过程中可维持高/全分辨率，避免细节信息丢失。为说明 DPN 的有效性，我们在三个公开数据集上进行了实验。实验结果表明，与最先进方法相比，DPN 在分割精度、分割速度和模型大小方面表现出竞争性或更优的性能。具体而言：1）我们的方法在 DRIVE、CHASE_DB1 和 HRF 数据集上取得可比的分割性能。2）DPN 在 DRIVE 数据集上的分割速度比其他方法快 20–160 倍以上。3）DPN 的参数数量约为 120k，远少于所有对比方法。
引用
@article{arxiv.2009.12053,
title = {DPN: Detail-Preserving Network with High Resolution Representation for Efficient Segmentation of Retinal Vessels},
author = {Song Guo},
journal= {arXiv preprint arXiv:2009.12053},
year = {2021}
}
备注
23 pages