基于形状先验和对比学习的点监督式眼底血管分割

《IEEE Transactions on Medical Imaging》：Points-Supervised Fundus Vessel Segmentation via Shape Priors and Contrastive Learning

点标注结合软监督与对比学习的基金us血管分割网络PVN在多模态影像中表现优异，仅需1%标注像素即可达到高分割精度。摘要：针对完全监督方法需大量全标注数据的难题，提出点标注结合Point Activation Maps和像素-区域混合对比学习的PVN方法。通过形状先验学习与软监督机制降低伪标签噪声，同时利用混合对比学习增强特征区分度。实验证明PVN在LSCI、548nm fundus及三个公开数据集上优于现有点监督方法，且标注成本降低99%。

　　

摘要：

完全监督方法在眼底血管分割方面的性能高度依赖于大量的完整标注数据，而这些数据的获取既费时又费力。尽管弱标注可以降低对像素级标注的要求，但它们在获取目标对象的综合信息方面仍存在挑战。一些方法使用从网络预测中生成的伪标注作为额外的监督信息，但这些伪标注中的误报可能会对训练过程产生负面影响。为了解决这个问题，并在标注成本和监督信息之间取得平衡，我们在眼底血管分割中引入了点标注，并提出了一种名为“基于点的血管分割网络”（PVN）的新方法来提高分割精度。在PVN中，通过结合所提出的点激活图（Point Activation Maps），可以学习到血管的形状先验并将其作为软监督机制。此外，为了进一步利用标注的血管点和背景点，我们设计了一种新颖的对比学习方法，该方法结合了像素和区域的信息，有助于区分血管和背景的像素样本，从而学习出更具区分性的特征。我们在激光散斑对比成像眼底图像、548纳米波长的眼底图像以及三个公开数据集上评估了PVN的性能，结果发现PVN的表现优于其他基于点标注的方法。即使只有1%的像素被标注，PVN仍然能够取得优异的性能。我们的方法还具有灵活性，易于与其他框架结合使用。据我们所知，我们是第一个提出并验证点标注在眼底血管分割中有效性的团队。我们的代码可在以下链接获取：https://github.com/kaiwenli325/PVN

引言

眼底血管分割是许多临床应用的基础任务，例如血管壁厚度的测量[1]。有多种成像方式可用于眼底血管的观察，包括激光散斑对比成像（LSCI）[2]和多光谱成像（MSI）[3]。LSCI通过移动的血细胞引起的散斑模式变化来获得图像对比度[2]，如图1(a)所示。通过在不同波长下对眼底进行成像，MSI可以显示血红蛋白的光谱吸收特性，在548纳米波长下可以清晰地观察到动脉和静脉[3]，如图1(d)所示。借助精确的血管分割结果，可以计算出MSI图像中每条血管的氧合参数，而LSCI则可以测量血流参数和血管指标[1]。基于这些测量数据，可以更好地理解和诊断包括高血压和糖尿病在内的疾病[1]。图1.

点标注与完整标注的对比示例：(a) LSCI图像示例。(b) 图(a)的点标注。(c) 图(a)的完整标注。(d) 548纳米波长的眼底图像示例。(e) 图(d)的点标注。(f) 图(d)的完整标注。(分钟：minutes.)