Artery/Vein Classification

 

论文链接

 

1.  期刊

• MICCAI 2019

 

2.  亮点

• 使用illumination correction (IC)和vessel enhancement (VE)增强数据，并和原始数据一起作为网络的输入
• 在网络输出端，利用multi-task思想将输出分为两个分支，其中一个分割血管，另外一个分割动静脉
• 在multi-task任务中，提出Spatial Activation map来增强潜在的微血管和血管边缘的的识别能力
• 利用Deep Supervision的思想增强low-level的特征（梯度消失，low-level 和high-level features的gap问题）

 

3. 方法

         Deep Supervision

4. 结果

 5. 消融

         可以从表一中看出，在利用multi-task (MTs)和Multi-input (MIs)之后，效果均很明显。 

         从图2（E）中可以看出 Spatial Activation map（AC）的确可以捕捉到微血管和血管边缘的信息。主要得益于其将p=0.5的预测点增强到了，而p = 0或者p = 1的地方还是1（即血管和背景区域概率为1），通过这个方法来矫正动静脉的分类。

 

6. 总结

•   该方法在DRIVE动静脉均取得了state-of-art, 主要得益于图像扩增，和合理的结构设计
•   该方法边缘增强和微血管增强很是巧妙
•   该方法基于patch训练和测试，一张图8s时间成本太大，无法做到实时
•   该方法模型过于复杂