视网膜动静脉分割中的拓扑-重叠权衡

视网膜眼底图像可作为筛查高血压或糖尿病等流行病的有价值诊断工具。当其所描绘的动脉与静脉被清晰识别并标注时尤为有用。然而，这些人工伤标注极其耗时费力，因而亟需自动分割。尽管卷积神经网络能使预测与专家标注之间获得高重叠度，它们常无法生成管状结构的拓扑正确预测。分叉与交叉的模糊性导致分类错误，使该情况加剧。本文表明，在损失函数中加入拓扑保持项可改善分割血管的连续性，但代价是动静脉误分类及整体重叠度指标下降。然而，我们展示通过引入基于各向异性单边蛋糕小波的取向分数引导卷积模块，可减小此类误分类并进一步提升结果的拓扑正确性。我们在公开数据集上以精心选取的指标评估模型，以同时衡量重叠度与拓扑正确性，表明我们的模型从重叠角度看能达到与最先进方法相当的结果，同时提高了拓扑精度。