新颖的判别性细粒度特征提取以改进视网膜血管分割
计算机视觉与模式识别
2025-05-08 v1 人工智能
摘要
视网膜血管分割是多种严重眼部疾病的重要早期检测方法。尽管随着神经网络的发展，视网膜血管分割取得了显著进展，但仍存在一些挑战需要克服。具体而言，视网膜血管分割旨在预测眼底图像中每个像素的类别标签，主要关注图像内的判别，这使得模型提取更具判别性的特征至关重要。然而，现有方法主要侧重于最小化解码器输出与标签之间的差异，而忽略了充分利用来自编码器的特征级细粒度表示。为了解决这些问题，我们提出了一种新颖的注意力U型Kolmogorov-Arnold网络，名为AttUKAN，以及一种新颖的标签引导像素级对比损失，用于视网膜血管分割。具体来说，我们在Kolmogorov-Arnold网络中实现了注意力门控，通过抑制不相关的特征激活来增强模型敏感性，并通过KAN块的非线性建模来增强模型可解释性。此外，我们还设计了一种新颖的标签引导像素级对比损失，通过区分前景血管像素对和背景像素对，来监督我们提出的AttUKAN提取更具判别力的特征。在包括DRIVE、STARE、CHASE_DB1、HRF和我们的私有数据集在内的四个公共数据集上进行了实验。AttUKAN在上述数据集上分别取得了82.50%、81.14%、81.34%、80.21%和80.09%的F1分数，以及70.24%、68.64%、68.59%、67.21%和66.94%的MIoU分数，与11个用于视网膜血管分割的网络相比，这些分数是最高的。定量和定性结果表明，我们的AttUKAN达到了最先进的性能，并优于现有的视网膜血管分割方法。我们的代码将在https://github.com/stevezs315/AttUKAN上提供。
引用
@article{arxiv.2505.03896,
title = {Novel Extraction of Discriminative Fine-Grained Feature to Improve Retinal Vessel Segmentation},
author = {Shuang Zeng and Chee Hong Lee and Micky C Nnamdi and Wenqi Shi and J Ben Tamo and Lei Zhu and Hangzhou He and Xinliang Zhang and Qian Chen and May D. Wang and Yanye Lu and Qiushi Ren},
journal= {arXiv preprint arXiv:2505.03896},
year = {2025}
}