Serp-Mamba：用于高分辨率视网膜血管分割的选择性状态空间模型
计算机视觉与模式识别
2024-09-20 v2
摘要
超宽场扫描激光眼底相册图（UWF-SLO）图像捕获视网膜的高分辨率视图，通常覆盖约 200 度。准确分割 UWF-SLO 图像中的血管对于检测和诊断眼底疾病至关重要。近期研究表明，Mamba 中的选择性状态空间模型（SSM）在建模长程依赖关系方面表现良好，这对于捕捉延长血管结构的连续性至关重要。致力于此目标，我们提出了首个血管 Serpentine Mamba（Serp-Mamba）网络。具体而言，我们认识到血管管状结构呈现错综复杂、多样且精细的特征。此外，UWF-SLO 图像的高分辨率加剧了血管与背景类别之间的不平衡。基于上述观察，我们首先构思了血管错综自适应扫描（Serpentine Interwoven Adaptive, SIA）机制，以蛇形爬行方式沿血管结构扫描 UWF-SLO 图像。该方法符合血管纹理变换，确保有效且连续地捕捉曲线血管结构特征。其次，我们提出了模糊度驱动的双重重校准（Ambiguity-Driven Dual Recalibration, ADDR）模块，以解决高分辨率图像中类别不平衡问题加剧的挑战。ADDR 模块通过两个可学习的阈值将像素划分为两类，并通过双驱动策略精细处理模糊像素，从而准确区分血管与背景区域。在三个数据集上的实验结果表明，Serp-Mamba 在高分辨率血管分割方面表现优异。我们还进行了一系列消融研究，以验证各设计的影响。本文将在本工作发表后公开代码。
引用
@article{arxiv.2409.04356,
title = {Serp-Mamba: Advancing High-Resolution Retinal Vessel Segmentation with Selective State-Space Model},
author = {Hongqiu Wang and Yixian Chen and Wu Chen and Huihui Xu and Haoyu Zhao and Bin Sheng and Huazhu Fu and Guang Yang and Lei Zhu},
journal= {arXiv preprint arXiv:2409.04356},
year = {2024}
}