输入分辨率对视网膜血管分割性能的影响：五组数据集上的实证研究
计算机视觉与模式识别
2026-04-06 v1
摘要
大多数用于视网膜血管分割的深度学习流水线都会将眼底图像缩放以满足 GPU 内存约束并实现统一批处理。然而，这种缩放对细血管检测的影响尚未得到充分探索。当高分辨率图像被下采样时，细血管被缩减为亚像素结构，即使在数据进入网络之前也已造成不可逆的信息损失。Dice 分数等标准体积指标无法捕捉这种损失，因为粗血管像素主导了评估。我们通过在五组眼底数据集（DRIVE、STARE、CHASE_DB1、HRF 和 FIVES）上训练基线 UNet 来研究这一影响，这些数据集的原始宽度从 565 到 3504 像素不等，所有其他设置保持不变。我们引入了一种宽度分层灵敏度指标，利用欧几里得距离变换推导出的原始分辨率宽度估计，分别评估细（半宽 <3 像素）、中（3 至 7 像素）和粗（>7 像素）血管的检测情况。结果表明，对于高分辨率数据集（HRF、FIVES），细血管灵敏度随图像下采样至编码器的有效工作范围而单调提升，在处理宽度为 256 至 876 像素时达到峰值。对于低至中分辨率数据集（DRIVE、STARE、CHASE_DB1），细血管灵敏度在原始分辨率附近最高，任何下采样都会使其退化。在所有五组数据集上，激进的下采样使细血管灵敏度最多降低 15.8 个百分点（DRIVE），而 Dice 分数保持相对稳定，确认了仅凭 Dice 不足以评估微血管分割。
引用
@article{arxiv.2604.02977,
title = {Effect of Input Resolution on Retinal Vessel Segmentation Performance: An Empirical Study Across Five Datasets},
author = {Amarnath R},
journal= {arXiv preprint arXiv:2604.02977},
year = {2026}
}
备注
12 pages, 4 figures, 3 tables