DB-UNet: MLP Based Dual Branch UNet for Accurate Vessel Segmentation i

论文（2023 ICASSP会议）：DB-unet: Mlp based dual branch unet for accurate vessel segmentation in octa images
  一、择要

研究背景：光学相干断层血管成像(OCTA)是一种新型的无创成像技术，已广泛应用于临床。对 OCTA 图像中视网膜血管的自动分 割有助于提高疾病诊断的服从。然而，由于视网膜血管细长而微小的结构，经典的深度学习分割方法，如 UNet 及其变体，并不能非常准确地处理它。
主要工作：在本研究中，提出了一种双分支 UNet (DB-UNet)，它具有一个纯卷积分支来提取微血管等具体特征，以及一个 UNet 分支来提取高级特征。网络的最终输出由两个支路的输出合成而成。我们也设计并应用一个多层感知器(MLP)块来进一步改善我们的模型的性能。
研究结果：在两个 OCTA 血管分割数据集上的实验表明，该方法比现有方法具有更好的分割性能。 

二、方法

该网络具有双分支结构，包罗一个纯卷积分支和一个UNet 分支。

纯卷积分支： 纯卷积分支是一个只包含残差卷积层(以及相应的BN层和ReLU)的模块，接纳了大卷积内核，没有任何下采样和上采样结构。

UNet分支：在 UNet 分支的最后两层应用 MLP块。

MLP块的架构，其可描述如下：

• 步骤1.通过整形操作将输入特征图
  
  映射为2D矩阵
  
  。
  
• 步骤2.矩阵P的每一行被发送到MLP单位用于计算。这导致在相同通道处的全局信息交换，因为矩阵P中的每一行表现原始输入特征图Fin中的通道处的全部数据。
  
• 步骤3.将矩阵P转置，然后将其每行发送到MLP单位举行计算。这导致跨通道信息交换，因为现在矩阵P中的每一行由来自输入特征图Fin中相同位置处的全部不同通道的数据组成。
  
• 步骤4.在完成上述步骤后，举行了全局跨通道信息交换。最后对矩阵P举行整形，得到输出特征图
  
  。
  

三、实验  

实验细节：使用Pytorch来实现本文的方法，使用Adam优化器，学习率为 

，最大轮次为100。使用Dice Loss作为损失函数。还实现了一些其他模型举行比力。为了实现公平的比力，全部模型的优化器、轮次和损失函数都具有相同的设置，并且不使用任何预练习的权重。全部实验均在具有NVIDIA RTX 3060 GPU的计算机上举行。
数据集：OCTAuto、OCTA-500数据集。
数据集分别：随机使用80%的数据集作为练习集，20%作为测试集。当练习不同的模型时，我们确保随机选择的练习集和测试集相同，以避免错误。
评价指标： 

其中TP、FP、TN和FN分别是真阳性、假阳性、真阴性和假阴性。

3.1 在OCTAuto数据集上的性能

定量对比描述：该模型在全部四个指标上都优于经典的U-Net和最先进的雷同作品UNeXt，ResUNet和R2 U-Net。
定性对比描述：从赤色矩形表现的结构中，可以看到竞争对手方法的分割效果中明显缺失，模糊和破裂的血管像素。与这些方法相比，我们的DB-UNet成功地分割微血管具有更好的一连性和更清晰的边界。 

3.2 在OCTA-500数据集上的性能

如表所示，提出的DB-UNet在OCTA 6M和OCTA 3M上都实现了最佳的Dice、Acc和IOU，并且在OCTA 6 M上也实现了最佳的FDR，这表明与竞争对手的方法相比，性能有了显著的提高。这些数据表明，DB-UNet能够比其他现有的分割方法更准确和全面地识别和提取血管像素。这与不同方法对OCTA 6M和OCTA 3M举行血管分割的直观效果同等。

3.3 溶解实验

溶解效果描述：在表中，UB表现使用UNet分支，PB表现使用纯卷积分支，LK表现使用大卷积核，MLP表现添加MLP块。该表的第一行显示了仅包含UNet分支时模型的性能，其指标相对较差。当我们引入纯卷积分支时，模型的性能显著提高，我们认为这是由于纯卷积分支捕获OCTA图像细节的能力很强。当我们引入大卷积核时，模型的度量进一步增长，除了FDR略有下降。
分析：这可能是由于该模型缺乏全局语义提取能力，并且简单地将OCTA图像中的高亮度噪声区域识别为血管，导致更多的错误识别，从而导致更差的FDR。当参加MLP模块后，模型的度量得到了进一步的改进，特别是FDR得到了最佳的改进。以上实验表明，所提出模型的各个模块对最终性能都有一定的贡献。 （证明MLP模块能够引入全局语义信息）

四、结论

1. 本文提出的模型固然简单，但是足够轻量，并且效果极佳。
2. 本文提出了一种双分支模型，纯卷积分支由多个卷积层组成，其数据流保持原始分辨率，有助于更好地保留图像细节。UNet分支的主干是一个4层U型网络，在其中我们设计并应用了MLP模块，以进一步提高精度。
3. 本文在浅层应用残差卷积块和大卷积核来提高网络的性能，对OCTA图像分割有效，但是会带来额外的参数。
4.在两个数据集上的实验表明，DB-UNet优于大多数现有的方法。可视化效果表明，DB-UNet算法能够准确分割视网膜血管，一连性好，边界清晰，对微血管也有很好的分割效果。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。