小而强的 W-Net:以极简模型实现最先进的视网膜血管分割
图像与视频处理
2020-09-07 v1 计算机视觉与模式识别
摘要
从眼底图像中分割视网膜血管是视网膜图像分析中最基础的任务之一。近年来,基于复杂卷积神经网络(CNN)架构的方法不断缓慢提升在成熟基准数据集上的性能。在本文中,我们退一步审视此类复杂性的真实需求。具体而言,我们证明,一个参数量少几个数量级、经精心训练与严格评估的标准 U-Net 极简版本,可逼近当前最佳技术的性能。此外,我们提出一个称为 W-Net 的简单扩展,在多个流行数据集上达到出色性能,其可学习权重仍比以往任何已发表方法少几个数量级。进一步,我们提供了迄今最全面的跨数据集性能分析,涉及多达 10 个不同数据库。我们的分析表明,当测试图像与训练数据差异显著时,视网膜血管分割问题远未解决,且该任务代表了探索域适应技术的理想场景。在此背景下,我们尝试了一种简单自标注策略,得以适度提升跨数据集性能,表明该领域仍有很大改进空间。最后,我们还在动脉/静脉分割问题上测试了我们的方法,再次以近期文献中极小比例的模型复杂度取得与最先进水平一致的结果。复现本文结果的所有代码均已发布。
引用
@article{arxiv.2009.01907,
title = {The Little W-Net That Could: State-of-the-Art Retinal Vessel Segmentation with Minimalistic Models},
author = {Adrian Galdran and André Anjos and José Dolz and Hadi Chakor and Hervé Lombaert and Ismail Ben Ayed},
journal= {arXiv preprint arXiv:2009.01907},
year = {2020}
}