FS-Net: Full Scale Network and Adaptive Threshold for Improving Extraction of Micro-Retinal Vessel Structures

要約

網膜血管セグメンテーションは、生物医学的画像処理において広く研究されているテーマであり、網膜疾患の治療および検出における眼科医の負担を軽減することを目的としています。
しかし、網膜血管のセグメント化には独自の一連の課題があり、従来の技術では分枝や微小血管構造をセグメント化する際に適切な結果を得ることができませんでした。
最近使用されているニューラル ネットワーク アプローチは、ローカルとグローバルのプロパティを一緒に維持できないことと、小さな端の血管を捕捉できないため、望ましい結果を達成することが困難であるという特徴があります。
この網膜血管セグメンテーションの問題を軽減するために、エンコーダ – デコーダ ニューラル ネットワーク アーキテクチャ、シグモイド平滑化、および適応閾値法に基づいた本格的な微小血管抽出メカニズムを提案します。
ネットワークは、残差、エンコーダー ブースター、ボトルネック強化、スクイーズ、および励起の構成要素で構成されます。
これらのブロックはすべて一緒になって、セグメンテーション マップの特徴抽出と予測を改善するのに役立ちます。
提案されたソリューションは、DRIVE、CHASE-DB1、および STARE データセットを使用して評価されており、以前の研究と比較した場合に競合する結果が得られました。
DRIVE データセットの AUC と精度は、それぞれ 0.9884 と 0.9702 です。
CHASE-DB1 データセットでは、スコアはそれぞれ 0.9903 と 0.9755 です。
STARE データセットでは、スコアはそれぞれ 0.9916 と 0.9750 です。
達成されたパフォーマンスは、以前の研究で行われたものよりも一歩進んでおり、その結果、眼科医の注意を求める実際の診断センターでこのソリューションが使用される可能性が高くなります。

要約(オリジナル)

Retinal vascular segmentation, is a widely researched subject in biomedical image processing, aims to relieve ophthalmologists’ workload when treating and detecting retinal disorders. However, segmenting retinal vessels has its own set of challenges, with prior techniques failing to generate adequate results when segmenting branches and microvascular structures. The neural network approaches used recently are characterized by the inability to keep local and global properties together and the failure to capture tiny end vessels make it challenging to attain the desired result. To reduce this retinal vessel segmentation problem, we propose a full-scale micro-vessel extraction mechanism based on an encoder-decoder neural network architecture, sigmoid smoothing, and an adaptive threshold method. The network consists of of residual, encoder booster, bottleneck enhancement, squeeze, and excitation building blocks. All of these blocks together help to improve the feature extraction and prediction of the segmentation map. The proposed solution has been evaluated using the DRIVE, CHASE-DB1, and STARE datasets, and competitive results are obtained when compared with previous studies. The AUC and accuracy on the DRIVE dataset are 0.9884 and 0.9702, respectively. On the CHASE-DB1 dataset, the scores are 0.9903 and 0.9755, respectively. On the STARE dataset, the scores are 0.9916 and 0.9750, respectively. The performance achieved is one step ahead of what has been done in previous studies, and this results in a higher chance of having this solution in real-life diagnostic centers that seek ophthalmologists attention.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google