论文阅读之A Three-Stage Deep Learning Model for Accurate Retinal Vessel Segmentation
用于精细视网膜血管分割的三级模型
A Three-Stage Deep Learning Model for Accurate Retinal Vessel Segmentation

上一篇论文（Joint Loss）作者的另一篇工作,还是一口气看完吧，这样比较有连贯性。

Abstract

对视网膜血管进行自动分割是许多眼部疾病诊断的第一步，而粗细血管均对病症的诊断十分重要，目前主要的深度学习模型都是用单一的像素级别的损失对不同粗细的血管赋予相同权重进行分割，但由于粗细血管所占比例不同，使得对毛细血管的分割不尽人意。本文则提出了一个3级模型分别对不同粒度的血管进行分割，3各阶段分别是：粗粒度血管分割、细粒度血管分割、血管融合，这样每个分割阶段都能学到具有区分度的特征，最后的血管融合阶段会进一步过滤掉非血管部分，同时对血管粗度一致性进行优化。最终在DRIVE、STARE、CHASE_DB1数据集上进行了测试，有效验证了这种三级分割模型的有效性。

Section I Introduction

依旧将视网膜血管分割分为两大流派：监督模型和无监督模型；再次重申了使用单一的pixel-wise loss存在的问题

Section II 问题分析

实际应用中粗血管和细血管对诊断同样重要，但是对二者进行同时分割存在以下问题：
（1）样本不均衡。粗血管占比77%，细血管占比23%，仅适用pixel-wise loss会更多强调粗血管的特征而忽略毛细血管
（2）特征的差异性。从粗细血管的patch及标注信息来看，粗血管一般比细血管拥有更高的对比度和信噪比，因此适合分割粗血管的特征可能不适用于细血管的分割。
基于以上两点原因，使用pixel-wise loss同时对粗细血管进行分割往往只能对粗血管得到较好的分割结果。

Section III METHODOLOGY

Fig 2展示了本文提出的三级分割模型，分为粗血管分割器、细血管分割器、血管融合器（ThickSegmenter/ThinSegmenter/FusionSegmenter)，上述3个模块分别依次进行训练。

ThickSegmenter:
只训练标注为粗血管的部分，也就是Fig3(a)中黑色的部分。在反向传播过程中也只有粗血管部分的loss值会用于梯度计算.
鉴于粗血管对比度高，在ThickSegmenter中只是用了一层pooling来进行显著特征的提取，这样就可以将所有粗血管及少部分细血管分割出来。也显示出这一分割网络不适合于毛细血管的分割。
Fig4展示了ThickSegmenter的分割结果
ThinSegmenter:
将Fig3(b)中的黑色部分以及ThickSegmenter输出的概率图级联后（concatenation）作为ThinSegmenter的输入.
采用的是FCN结构，包含3层卷积+池化结构用于提取全局特征；同时将ThickSegmenter分割的结过将作为另一输入，这是因为几乎所有的毛细血管都与粗血管相连，借助粗血管的分割结果可以引导毛细血管的分割。因此将原图与第一阶段的输出级联后作为第二阶段的输入后经过FCN分割可以看出，分割结果更为“干净”。与人工标注结果进行对比发现，可以成功将几乎所有毛细血管检测出来。唯一不足之处在于粗细血管的不均衡性，可能是由于原图分辨率导致的。除此之外可以看出经过ThinSegmenter的分割结果只讲一部分粗血管检测了出来，也进一步验证了ThinSegmente更注重细血管特征的提取。

FusionSegmenter:
将ThickSegmenter和ThinSegmenter输出的特征图级联后作为输入，最终该级的输出作为最终的概率图。
在这3个Segmenter的训练过程中使用像素级别的交叉熵损失函数进行训练。
将两个分割器的结果进一步精炼，解决粗细一致性的问题。可以看出经过fusion后的最终分割结果更贴合专家分割的结果。

Section IV Experiments

数据集：DRIVE STARE CHASE_DB1
数据预处理：提取绿色通道并转为灰度图，patch大小=128*128
Caffe框架。衰减学习率
评价指标：Se Sp Acc ROC AUC

Results

Summary

由于是同一作者的亮片工作，因此一些细节方面具有一定延续性，比如对pixel-wise loss的改善；
论文的实验思路、对比分析也比较类似
目标也是一致的，解决thick -thin vessel分割不均衡的问题