RV-GAN: Segmentierung retinaler Gefäßstrukturen in Fundusaufnahmen mittels eines neuartigen multiskaligen generativen adversarialen Netzwerks

Die hochgenaue Segmentierung sowohl der makro- als auch der mikrovaskulären Strukturen der Retina spielt eine entscheidende Rolle bei der Diagnose degenerativer Retinopathien, stellt jedoch eine herausfordernde Aufgabe dar. Aufgrund der sukzessiven Informationsverluste während des Kodierungsprozesses und der Unfähigkeit, diese verloren gegangenen Informationen im Dekodierungsprozess wiederherzustellen, sind autoencoder-basierte Segmentierungsansätze eingeschränkt hinsichtlich der Extraktion mikrovaskulärer Strukturen der Retina. Wir stellen RV-GAN vor, eine neue multiskalige generative Architektur zur präzisen Segmentierung retinaler Gefäße, die diese Herausforderung adressiert. Die vorgeschlagene Architektur verwendet zwei Generatoren und zwei multiskalige autoencoderbasierte Diskriminatoren, um eine verbesserte Lokalisierung und Segmentierung mikrovaskulärer Strukturen zu ermöglichen. Um den durch traditionelle GAN-basierte Segmentierungssysteme verursachten Verlust an Detailtreue zu vermeiden, führen wir eine neuartige gewichtete Merkmalsübereinstimmungsverlustfunktion ein. Dieser neue Verlust berücksichtigt und priorisiert Merkmale aus dem Dekoder des Diskriminators gegenüber denen des Encoders. Durch diese Vorgehensweise, kombiniert mit der Tatsache, dass der Dekoder des Diskriminators auf Ebene der Pixel zwischen echten und gefälschten Bildern unterscheidet, wird die Erhaltung sowohl makro- als auch mikrovaskulärer Strukturen signifikant verbessert. Durch die Kombination von Rekonstruktions- und gewichteter Merkmalsübereinstimmungsverlustfunktion erreicht die vorgeschlagene Architektur eine Area Under the Curve (AUC) von 0,9887, 0,9914 und 0,9887 bei der pixelweisen Segmentierung retinaler Gefäße an drei öffentlich verfügbaren Datensätzen, nämlich DRIVE, CHASE-DB1 und STARE. Zudem übertrifft RV-GAN andere Architekturen in zwei weiteren relevanten Metriken, dem mittleren Intersection-over-Union (Mean-IOU) und der strukturellen Ähnlichkeitsmaß (SSIM).