DUNet: Ein verformbares Netzwerk für die Segmentierung von Netzhautgefäßen

Die automatische Segmentierung von Netzhautgefäßen in Fundusbildern spielt eine wichtige Rolle bei der Diagnose bestimmter Krankheiten wie Diabetes und Hypertonie. In dieser Arbeit schlagen wir das deformierbare U-Net (DUNet) vor, welches die lokalen Merkmale der Netzhautgefäße mit einer U-förmigen Architektur auf einem End-to-End-Weg für die Segmentierung von Netzhautgefäßen ausnutzt. Inspiriert von den kürzlich eingeführten deformierbaren Faltungsnetzen integrieren wir die deformierbare Faltung in das vorgeschlagene Netzwerk. Das DUNet, versehen mit Aufsampling-Operatoren zur Steigerung der Ausgab-auflösung, ist so konzipiert, dass es Kontextinformationen extrahieren und durch Kombination von Niedrig-Level-Merkmalskarten mit Hoch-Level-Merkmalskarten eine präzise Lokalisierung ermöglicht. Darüber hinainaus fängt DUNet die Netzhautgefäße in verschiedenen Formen und Größen ein, indem es die Rezeptorfelder nach den Größen und Formen der Gefäße anpasst. Drei öffentliche Datensätze – DRIVE, STARE und CHASE_DB1 – werden verwendet, um unser Modell zu trainieren und zu testen. Unsere Studie bietet detaillierte Vergleiche zwischen dem vorgeschlagenen Netzwerk, dem deformierbaren neuronalen Netzwerk und dem U-Net. Die Ergebnisse zeigen, dass DUNet detailliertere Gefäße extrahiert und eine Spitzenleistung bei der Segmentierung von Netzhautgefäßen erzielt, wobei es eine globale Genauigkeit von 0,9697/0,9722/0,9724 und einen AUC-Wert von 0,9856/0,9868/0,9863 auf DRIVE, STARE und CHASE_DB1 jeweils erreicht. Zudem wurde zur Demonstration der Generalisierungsfähigkeit des DUNets ein weiterer Datensatz namens WIDE sowie ein synthetischer Datensatz mit diversen Stilen (SYNTHE) verwendet, um qualitativ und quantitativ analysiert und verglichen zu werden. Die Ergebnisse deuten darauf hin, dass DUNet anderen Standesder-Kunst-Methoden überlegen ist.