LMBiS-Net：一种基于轻量多路径双向跳跃连接的 CNN 用于视网膜血管分割
图像与视频处理
2023-09-12 v1 机器学习
摘要
致盲性眼病常与视网膜形态改变相关，可在临床上通过分割眼底图像中的视网膜结构来识别。然而，当前方法在精确分割细小血管方面常显不足。尽管深度学习在医学图像分割中展现出潜力，其对重复卷积与池化操作的依赖会阻碍边缘信息表征，最终限制整体分割精度。本文提出一种名为 LMBiS-Net 的轻量级像素级 CNN，用于视网膜血管分割，其可学习参数数量极低（仅 0.172 M）。该网络采用多路径特征提取块，并引入双向跳跃连接以实现编码器与解码器间的信息流动。此外，我们通过精心选择滤波器数量以避免滤波器重叠，优化了模型效率。该优化显著减少了训练时间并提升了计算效率。为评估 LMBiS-Net 的鲁棒性与泛化性，我们对视网膜图像的多个方面进行了综合评估。具体而言，该模型接受了严格测试以精确分割在眼科诊疗中起关键作用的视网膜血管。通过聚焦于视网膜血管，我们得以深入分析 LMBiS-Net 模型的性能与有效性。测试结果表明，LMBiS-Net 不仅鲁棒且可泛化，还能保持高分割精度。这些特性凸显了 LMBiS-Net 作为各种临床应用中高速、精确分割视网膜图像的高效工具的潜力。
引用
@article{arxiv.2309.04968,
title = {LMBiS-Net: A Lightweight Multipath Bidirectional Skip Connection based CNN for Retinal Blood Vessel Segmentation},
author = {Mufassir M. Abbasi and Shahzaib Iqbal and Asim Naveed and Tariq M. Khan and Syed S. Naqvi and Wajeeha Khalid},
journal= {arXiv preprint arXiv:2309.04968},
year = {2023}
}