面向视网膜血管分割的朝向与上下文纠缠网络
计算机视觉与模式识别
2022-07-26 v1
摘要
现有大多数基于深度学习的血管分割方法忽视了视网膜血管的两个重要方面：一是血管的朝向信息，二是整个眼底区域的上下文信息。本文提出一种鲁棒的朝向与上下文纠缠网络(记为 OCE-Net)，其具备提取血管复杂朝向与上下文信息的能力。为实现复杂朝向感知，提出动态复杂朝向感知卷积(DCOA Conv)以提取多朝向的复杂血管，从而改善血管连续性。为同时捕获全局上下文信息并强调重要的局部信息，设计全局与局部融合模块(GLFM)以同时建模血管的长程依赖并充分关注局部细小血管。提出一种新颖的朝向与上下文纠缠非局部(OCE-NL)模块，将朝向与上下文信息纠缠在一起。此外，提出非平衡注意力精炼模块(UARM)以处理背景、粗血管与细血管像素数量不平衡的问题。在多个常用数据集(DRIVE、STARE 和 CHASEDB1)及一些更具挑战性的数据集(AV-WIDE、UoA-DR、RFMiD 和 UK Biobank)上进行了充分实验。消融研究表明，所提方法在维持细血管连续性方面取得良好性能，对比实验证明我们的 OCE-Net 在视网膜血管分割上可达到最先进(state-of-the-art)性能。
引用
@article{arxiv.2207.11396,
title = {Orientation and Context Entangled Network for Retinal Vessel Segmentation},
author = {Xinxu Wei and Kaifu Yang and Danilo Bzdok and Yongjie Li},
journal= {arXiv preprint arXiv:2207.11396},
year = {2022}
}
备注
62 pages, 14 figures