RRWNet: Recursive Refinement Network for Effective Retinal Artery/Vein Segmentation and Classification

要約

網膜血管の太さや形状は、様々な疾患や病状の重要なバイオマーカーとなる。網膜血管系を徹底的に分析するには、血管のセグメンテーションと動脈と静脈への分類が必要であり、これは通常、広く使用されている画像技術である網膜撮影によって得られたカラー眼底画像に対して行われる。しかし、これらの作業を手作業で行うのは、労力がかかり、人為的なミスが発生しやすい。この問題を解決するために、様々な自動化手法が提案されている。しかしながら、動脈／静脈のセグメンテーションと分類における現在の技術水準は、セグメンテーションマップの位相的整合性に影響を与える顕在的な分類エラーによる課題に直面している。本研究では、セマンティックセグメンテーションマップを再帰的に改良し、顕在的な分類エラーを修正するために設計された、革新的なエンドツーエンドのフレームワークRRWNetを提示する。このフレームワークは、入力画像から基本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良する再帰的改良サブネットワークを持つ、完全畳み込みニューラルネットワークで構成される。公開データセットを用いた評価により、提案手法の最先端の性能が実証され、既存のアプローチよりも、よりトポロジー的に一貫したセグメンテーションマップを、より少ない顕在分類エラーで得ることができる。さらに、再帰的改良モジュールは、他の手法によるセグメンテーションマップの後処理に有効であることを証明し、分類エラーを自動的に修正し、位相的整合性を改善する。モデルコード、重み、予測値は、https://github.com/j-morano/rrwnet で公開されている。

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 blood vessels and their classification into arteries and veins, which is typically performed on color fundus images obtained by retinography, a widely used imaging technique. Nonetheless, manually performing these tasks is labor-intensive and prone to human error. Various automated methods have been proposed to address this problem. However, the current state of art in artery/vein segmentation and classification faces challenges due to manifest classification errors that affect the topological consistency of segmentation maps. This study presents an innovative end-to-end framework, RRWNet, designed to recursively refine semantic segmentation maps and correct manifest classification errors. The framework consists of a fully convolutional neural network with a Base subnetwork that generates base segmentation maps from input images, and a Recursive Refinement subnetwork that iteratively and recursively improves these maps. Evaluation on 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 proves effective in post-processing segmentation maps from other methods, automatically correcting classification errors and improving topological consistency. The model code, weights, and predictions are publicly available at https://github.com/j-morano/rrwnet.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL