RRWNet: Recursive Refinement Network for effective retinal artery/vein segmentation and classification

要約

網膜血管の口径と構成は、さまざまな疾患や病状の重要なバイオマーカーとして機能します。
網膜血管系の徹底的な分析では、血管のセグメンテーションと、通常、レチノグラフィで得られた色の眼底画像で実行される動脈と静脈に分類する必要があります。
ただし、これらのタスクを手動で実行することは労働集約的であり、ヒューマンエラーが発生しやすいです。
このタスクに対処するためにいくつかの自動化された方法が提案されていますが、現在のARTの状態は、セグメンテーションマップのトポロジカル一貫性に影響を与えるマニフェスト分類エラーにより課題に直面しています。
この作業では、この制限に対処する新しいエンドツーエンドの深い学習フレームワークであるRrwnetを紹介します。
フレームワークは、セマンティックセグメンテーションマップを再帰的に洗練し、マニフェスト分類エラーを修正し、トポロジーの一貫性を改善する完全な畳み込みニューラルネットワークで構成されています。
特に、RRWNETは、入力画像からベースセグメンテーションマップを生成するベースサブネットワークと、これらのマップを反復的かつ再帰的に改善する再帰精製サブネットワークの2つの特殊なサブネットワークで構成されています。
3つの異なるパブリックデータセットでの評価は、提案された方法の最先端のパフォーマンスを示しており、既存のアプローチよりもマニフェスト分類エラーが少ないトポロジカルで一貫したセグメンテーションマップを生成します。
さらに、RRWNET内の再帰洗練モジュールは、他の方法からの後処理セグメンテーションマップに効果的であることが証明されており、その可能性をさらに実証しています。
モデルコード、重み、および予測は、https：//github.com/j-morano/rrwnetで公開されます。

要約(オリジナル)

The caliber and configuration of retinal blood vessels serve as important biomarkers for various diseases and medical conditions. A thorough analysis of the retinal vasculature requires the segmentation of the blood vessels and their classification into arteries and veins, typically performed on color fundus images obtained by retinography. However, manually performing these tasks is labor-intensive and prone to human error. While several automated methods have been proposed to address this task, the current state of art faces challenges due to manifest classification errors affecting the topological consistency of segmentation maps. In this work, we introduce RRWNet, a novel end-to-end deep learning framework that addresses this limitation. The framework consists of a fully convolutional neural network that recursively refines semantic segmentation maps, correcting manifest classification errors and thus improving topological consistency. In particular, RRWNet is composed of two specialized subnetworks: a Base subnetwork that generates base segmentation maps from the input images, and a Recursive Refinement subnetwork that iteratively and recursively improves these maps. Evaluation on three different public datasets demonstrates the state-of-the-art performance of the proposed method, yielding more topologically consistent segmentation maps with fewer manifest classification errors than existing approaches. In addition, the Recursive Refinement module within RRWNet proves effective in post-processing segmentation maps from other methods, further demonstrating its potential. The model code, weights, and predictions will be publicly available at https://github.com/j-morano/rrwnet.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google