IterMiUnet：一种用于自动血管分割的轻量级架构
图像与视频处理
2023-04-26 v1 计算机视觉与模式识别
机器学习
摘要
眼底图像中血管的自动分割有助于分析视网膜血管状况，这对于识别高血压、糖尿病等多种系统性疾病至关重要。尽管基于深度学习的模型在此分割任务中取得了成功，但其中大多数参数繁重，因而在实际应用中的用途有限。本文提出 IterMiUnet，一种新型的基于卷积的轻量级分割模型，其所需参数显著更少，却能提供与现有模型相近的性能。该模型利用了 Iternet 架构优异的分割能力，并通过在其中融入 MiUnet 模型的编码器-解码器结构，克服了其参数繁重的缺点。因此，新模型在缩减参数的同时不牺牲网络深度，而深度对于深度模型中学习抽象层次化概念是必要的。这种轻量级分割模型加快了训练与推理时间，并可能在数据稀缺因而参数繁重模型易过拟合的医疗领域有所帮助。所提模型在三个公开数据集 DRIVE、STARE 和 CHASE-DB1 上进行了评估。还进一步进行了交叉训练与评分者间变异性的评估。所提模型作为多种疾病早期诊断工具有很大潜力。
引用
@article{arxiv.2208.01485,
title = {IterMiUnet: A lightweight architecture for automatic blood vessel segmentation},
author = {Ashish Kumar and R. K. Agrawal and Leve Joseph},
journal= {arXiv preprint arXiv:2208.01485},
year = {2023}
}