CCM-Net：一种对比分析与一致性结合的多任务网络，用于OCTA图像的伪影分割与质量分类

《ACM Transactions on Multimedia Computing, Communications, and Applications》：CCM-Net:Contrastive and Consistent Multi-Task Network for Artifact Segmentation and Quality Classification of OCTA Images

针对OCTA图像中伪影干扰诊断的问题，本文提出端到端网络CCM-Net，通过多任务注意力机制和对比/一致性损失优化，实现伪影分割与质量分类，实验表明其性能优于现有方法。

　　

摘要

在光学相干断层扫描血管成像（OCTA）图像中，伪影非常普遍，这可能会干扰医生的诊断并极大地限制其实用性。因此，在使用这些图像进行诊断时，对伪影进行分割并评估其质量是很有必要的。在本文中，我们提出了一个端到端的网络模型（命名为CCM-Net：对比与一致性多任务网络），用于同时处理OCTA图像的伪影分割和质量分类问题。首先，我们设计了多个任务特定的注意力模块（Task-Specific Attention Blocks，简称TAB），以整合不同卷积神经网络（CNN）层中的深度特征，从而实现对伪影的分割和对输入OCTA图像质量的分类。通过这种方式，可以自动学习不同深度特征的权重，并且这两个任务的权重并不相同。此外，我们还设计了对比损失（contrastive loss）和一致性损失（consistency loss），以利用样本之间的关联进一步提高预测准确性。具体来说，对于给定的输入OCTA图像，我们首先对其进行颜色抖动处理，并选择另一张具有相同质量分类标签的OCTA图像。然后，我们设计了一个对比损失，使得输入OCTA图像的分割结果与其增强后的OCTA图像相似，而这两张选定OCTA图像的分割结果则不同。另外，我们对这三张图像的分类结果也设计了基于一致性损失的处理，因为它们具有相同的分类标签。在内部OCTA数据集（Multi-OCTA）上的实验表明，所提出的CCM-Net模型的性能优于现有的最先进方法（SOTA）。