RSF-Conv：用于视网膜血管分割的旋转与尺度等变傅里叶参数化卷积
图像与视频处理
2024-09-09 v2 计算机视觉与模式识别
机器学习
摘要
视网膜血管分割对许多眼相关疾病的诊断具有重要临床意义，但由于血管形态复杂，仍是一项艰巨挑战。借助对视网膜血管中平移对称性的巧妙刻画，卷积神经网络(CNNs)已在视网膜血管分割中取得巨大成功。然而，作为视网膜血管中更普遍的图像先验，旋转与尺度对称性却无法被CNNs刻画。因此，我们提出一种专用于视网膜血管分割的旋转与尺度等变傅里叶参数化卷积(RSF-Conv)，并给出相应的等变性分析。作为通用模块，RSF-Conv可以即插即用的方式集成到现有网络中，同时显著减少参数量。例如，我们将U-Net和Iter-Net中的传统卷积滤波器替换为RSF-Conv，并严谨地进行了全面实验。RSF-Conv+U-Net与RSF-Conv+Iter-Net不仅在域内评估下具有轻微优势，更重要的是，在域外评估下以显著幅度优于所有对比方法。这表明RSF-Conv具有卓越的泛化能力，对临床中普遍存在的跨设备与跨医院挑战具有更大的实际临床意义。为全面展示RSF-Conv的有效性，我们还将RSF-Conv+U-Net与RSF-Conv+Iter-Net应用于视网膜动脉/静脉分类，同样取得了良好性能，显示出其临床应用潜力。
引用
@article{arxiv.2309.15638,
title = {RSF-Conv: Rotation-and-Scale Equivariant Fourier Parameterized Convolution for Retinal Vessel Segmentation},
author = {Zihong Sun and Hong Wang and Qi Xie and Yefeng Zheng and Deyu Meng},
journal= {arXiv preprint arXiv:2309.15638},
year = {2024}
}