IterNet: Retinabildsegmentierung unter Ausnutzung struktureller Redundanz in Gefäßnetzwerken

Die Segmentierung retinaler Gefäße ist von großer Bedeutung für die Diagnose retinaler Gefäßerkrankungen. Um die Leistungsfähigkeit der Gefäßsegmentierung weiter zu verbessern, stellen wir IterNet vor, ein neues Modell auf Basis von UNet, das in der Lage ist, versteckte Details des Gefäßes aus der bereits segmentierten Gefäßdarstellung selbst zu erkennen, anstatt aus dem Roh-Eingabebild. IterNet besteht aus mehreren Iterationen eines Mini-UNet, das bis zu viermal tiefer sein kann als das herkömmliche UNet. Zudem nutzt IterNet Merkmale wie Gewichtsteilung und Skip-Verbindungen, um das Training zu erleichtern; dadurch kann IterNet selbst mit einer sehr kleinen Anzahl an gelabelten Bildern – lediglich 10 bis 20 – lernen, ohne vorherige Training oder zusätzliche Vorwissen. IterNet erreicht AUC-Werte von 0,9816, 0,9851 und 0,9881 auf drei etablierten Datensätzen, nämlich DRIVE, CHASE-DB1 und STARE, wodurch die derzeit besten Ergebnisse in der Literatur erzielt werden. Der Quellcode ist verfügbar.