【论文学习】Bridge-Net：结合上下文信息与图像块损失权重映射的视网膜血管分割方法

最新推荐文章于 2025-06-14 10:33:25 发布

东荷新绿

最新推荐文章于 2025-06-14 10:33:25 发布

阅读量834

点赞数 13

文章标签：专家系统论文阅读

本文链接：https://blog.youkuaiyun.com/weixin_44853527/article/details/145699949

版权

写在前面：本博客仅作记录学习之用，部分图片来自网络，如需引用请注明出处，同时如有侵犯您的权益，请联系删除！

文章目录

前言
论文
讨论
总结
互动
致谢
参考

前言

视网膜血管分割是眼科疾病（如青光眼、糖尿病视网膜病变）早期诊断的关键步骤。然而，由于以下挑战，传统方法难以实现高精度分割：

血管形态复杂：厚血管与薄血管分布差异大，且存在低对比度和病变干扰。
类别不平衡：血管像素占比远低于背景像素，尤其是薄血管易被忽略。
上下文信息缺失：现有基于图像块的方法忽略周围空间信息，导致边缘分割不准确。

论文

论文名： Bridge-Net: Context-involved U-net with patch-based loss weight mapping for retinal blood vessel segmentation

论文速递： 点我转跳哦

代码通道： 暂未公开

论文内容

方法概述：Bridge-Net与损失权重映射

预处理步骤如下所示。对于每幅图像，首先提取绿色通道，然后通过有限自适应直方图均衡（CLAHE）（Pizer等人，1987）和伽玛调整来增强图像。最后，通过标准化得到均值为零、单位标准差为零的图像。由于输入中的数值差异减小，训练结果往往不会变大，从而加速了网络的收敛。

1. 数据预处理

对于每幅图像，首先提取绿色通道，然后通过有限自适应直方图均衡（CLAHE）和伽玛调整来增强图像。最后通过标准化得到均值为零、单位标准差为零的图像。由于输入中的数值差异减小，训练结果往往不会变大，从而加速了网络的收敛。
在这里插入图片描述

2. Bridge-Net网络架构

核心思想：融合卷积神经网络（CNN）和循环神经网络（RNN），利用上下文信息提升分割精度。
关键设计：
- 双描述图像块：每个目标区域提取两个同心块——包含上下文信息的大块（Large Patch）和无上下文的小块（Small Patch）。
大多数基于补丁的分割方法只使用与目标区域一致的补丁，忽略了周围的上下文信息。本文针对每个目标区域𝑡，提取了两个具有包容性关系的同心斑块来描述该区域。大斑块中包含的血管形态更加复杂多样，使得很难获得更好的预测结果。相反小斑块中包含的血管形态更简单，更容易训练网络。然而，小斑块包含的全局信息比大斑块少，缺乏全局信息不利于分割小斑块的边缘和一些干扰信息区域。因此将小块作为目标区域进行分割，并通过大块来补充小块缺失的全局信息。
- 特征融合：通过RNN将大块的上下文特征与小块的局部特征结合，生成概率图。
- U-Net变体：作为特征提取器，结合收缩-扩展结构保留空间信息。

通常，U-net使用向下收缩的结构来获得更大的感受野以提高识别精度，并使用向上扩展的结构来恢复位置信息。当位置信息恢复时，收缩和膨胀的层逐渐整合，位置信息就不会损失太多，同时获得更高的识别精度。每层的跨层连接使层间短路，可以减轻梯度的消失。

2. 基于图像块的损失权重映射

图像块分类：通过腐蚀、滤波和半径计算，将图像块分为厚血管主导块（TKp）和薄血管主导块（TNp），以纠正血管与背景之间的不平衡。
动态权重调整：
- TKp：血管与背景权重差异较小（α=1.1，β=0.9）。
- TNp：血管权重显著高于背景，缓解类别不平衡问题。

实验结果

性能对比（部分指标）

在这里插入图片描述

优势分析

稳定性强：在包含病理图像的STARE和薄血管居多的DRIVE上均表现稳定（标准偏差<0.01）。
抗干扰能力：在低对比度和病灶干扰区域（见图2）中，误检率显著低于U-Net和RU-Net。

主要贡献

上下文信息融合：通过RNN传递全局信息，提升边缘和复杂区域的分割效果。
动态损失权重：根据血管类型调整权重，改善薄血管的检测能力。
多数据集验证：在STARE、DRIVE、CHASE_DB1和HRF数据集上表现优异，AUC最高达0.9901。

结论与展望

结论：Bridge-Net分别对有和没有上下文信息的目标区域的两个补丁进行两种描述，通过U-net生成判别特征。然后使用循环神经网络来传递上下文信息，以生成视网膜血管的概率图。并设计了一种斑块分类算法，将所有斑块分为厚血管和薄血管类别。Bridge-Net通过结合上下文信息和动态损失权重，在视网膜血管分割任务中实现了高精度与鲁棒性。
未来工作：优化图像块分类算法，适应不同分辨率图像；探索更平滑的损失函数设计。

注：以上内容基于论文《Bridge-Net: Context-involved U-net with patch-based loss weight mapping for retinal blood vessel segmentation》总结，更多技术细节请参考原文。

讨论

推理速度：传统的分割网络多设计一个端到端的网络，Bridge-Net使用了两个U-Net作为特征提取网络，推理速度能达到实时的要求吗？尤其是在处理高分辨率的图像时候，文中也没有给出关于推理时间的数据。

总结

总结： 视网膜血管分割对眼科疾病早期诊断至关重要，但面临血管形态复杂、类别不平衡及上下文信息缺失等挑战。Bridge-Net结合上下文信息和动态损失权重，通过两个U-Net网络生成判别特征，并使用循环神经网络传递上下文信息，生成视网膜血管的概率图。实验结果显示，Bridge-Net在多个数据集上均表现出高精度与鲁棒性。然而，关于其推理速度，尤其是在处理高分辨率图像时是否能达到实时要求，仍需进一步探讨。