《Diagnostics》：A Systematic Multi-Dataset, Multi-Seed Evaluation of Preprocessing Strategies for Retinal Optic Disc and Cup Segmentation
编辑推荐：
背景/目的：在视网膜眼底 photograph 中准确勾画视神经盘（optic disc，OD）与视杯（optic cup，OC）是自动化青光眼筛查的前提。编码器–解码器分割模型虽进展显著，但上游预处理对分割精度的贡献，以及该贡献在重复训练运行中的稳定性，仍未
背景/目的：在视网膜眼底 photograph 中准确勾画视神经盘（optic disc，OD）与视杯（optic cup，OC）是自动化青光眼筛查的前提。编码器–解码器分割模型虽进展显著，但上游预处理对分割精度的贡献，以及该贡献在重复训练运行中的稳定性，仍未充分表征。方法：研究人员在固定 EfficientUNet++ 模型与 EfficientNet-B7 编码器的条件下，于 REFUGE、ORIGA 与 Drishti-GS 三个公开眼底数据集上，对五种预处理流程——基线、对比度受限自适应直方图均衡化（Contrast Limited Adaptive Histogram Equalization，CLAHE）、感兴趣区域（Region of Interest，ROI）裁剪、ROI+CLAHE、CLAHE 加重数据增强（augmentation）——进行基准测试。每种配置在三个独立随机种子（42、15、89）下重新训练，以评估运行间变异性；种子级标准差随各报告均值给出，并定义每个排序的置信界限。结果：在 REFUGE 上，CLAHE 加增强（Config 5）取得最强平均 Dice（disc 与 cup）；在 ORIGA 上，五种配置 disc Dice 差距仅 0.0067，ROI+CLAHE（Config 4）在 disc 上略占优，增强策略在 cup 上领先；在 Drishti-GS 上，优化器与损失设置修正后五种配置均成功收敛，早前近完全失败源于配置问题而非 81 张图像的小训练集。结论：全分辨率图像上应用 CLAHE 是跨三个数据集最一致有益的预处理选择；ROI+CLAHE 在 ORIGA 上有小的、初始化稳定的优势，但 ROI 中心来自真值质心，属 oracle 定位，不能代表全自动流水线可达性能；数据增强在小数据集上可一致降低初始化敏感性，宜作默认策略。
研究背景方面，青光眼是全球不可逆盲的主要病因之一，杯盘比（cup-to-disc ratio，CDR）是重要诊断指标，而 CDR 依赖眼底图中 OD 与 OC 的准确分割。现有困难包括受试者间盘形态差异、光照与相机质量不一、杯边界柔软且专家间位置不一、视网膜血管对纹理信息干扰等。编码器–解码器网络自 U-Net 起大幅提升该类任务表现，但上游预处理常被当作固定先验，而非受控变量；已有研究多同时改动架构与预处理，单数据集单种子实验无法区分真实预处理效应与幸运初始化噪声，且 ROI 裁剪中心常不说明来自真值还是检测器，导致结果可部署性存疑。为此，研究人员在《Diagnostics》发表该项研究，以固定架构、多种子、多基准的方式隔离预处理贡献。
关键技术方法上，研究人员采用 REFUGE（400 张）、ORIGA（650 张）、Drishti-GS（101 张，训练 81 张）三个公开眼底队列；网络为 EfficientUNet++，即 UNet++ 解码器接 EfficientNet-B7 编码器（约 66.4 M 参数，ImageNet 预训练）；损失为 Dice 损失与交叉熵（Cross-Entropy，CE）等权联合，背景类不计入 Dice 项；优化用 AdamW（学习率特定、权重衰减 0.01）与余弦退火（CosineAnnealingLR），100 epoch、batch 5、梯度累积 8 步（有效 batch 40），混合精度训练；五种预处理为基线、全图 CLAHE（clip limit 8.0，tile grid 8×8）、真值质心 ROI 裁剪、ROI+CLAHE、全图 CLAHE+增强；每配置每数据集跑种子 42/15/89，报均值±样本标准差，IoU 由平均 Dice 经恒等式推导并标 ?。
研究结果如下。REFUGE 数据集结果：全图 CLAHE 类（Config 2、5）居前，disc/cup SD 均很小，说明全图对比度归一化非初始化假象；纯 ROI（Config 3）上下文丢失、种子散度最大。ORIGA 数据集结果：五配置 disc Dice 仅跨 0.0067，Config 4 disc 最优、Config 5 cup 最优，差距为万分级，大且同质训练集使架构容量比预处理更关键。Drishti-GS 数据集结果：修正训练配置后五配置皆可达可用分割；Config 4 disc 最优、Config 5 cup 最优但种子散度全研究最大（disc SD 0.0231，cup SD 0.0389），证明 81 图小集对初始化仍敏感，增强降低敏感性但非防崩溃必需。跨种子收敛总结：15 个配置–数据集组合百 epoch 内皆收敛，同配置最佳 epoch 因种子可差数十 epoch，但无初步未校正实验中的训练崩塌。与既往文献比较：本研究最佳 REFUGE（Config 5 disc 0.9523、cup 0.8348）接近带边缘检测修改 U-Net，ORIGA 优于 M-Net 与修改 U-Net，Drishti-GS 落后于 UT-Net 这类 transformer 架构；研究定位是固定架构下预处理消融而非刷榜。计算效率：显存约 13 GB，推理超 12 FPS；Config 5 因有效集扩增训练时长约三倍，ROI 类更短。训练损失与验证 Dice/IoU 曲线：均平滑收敛，IoU 趋势由 Dice 推得。最坏情况分析：REFUGE 最差为 Config 3 种子 42（disc 0.9174、cup 0.8042），ORIGA 最差仍合理（Config 1 种子 89 disc 0.9598），Drishti-GS 最差 Config 1 种子 15（disc 0.8846、cup 0.7772）也已收敛，印证校正后配置消除灾难性失败。
讨论部分总结：REFUGE 上全图 CLAHE 稳定优于 ROI 变体，因整图对比归一给编码器全视野可用梯度；该结论仅基于 EfficientNet-B7，轻/重编码器待考。ORIGA 上 ROI 类有小且稳的优（Config 4 disc SD 0.0002），但绝对差太小，数据充足时架构为主因。Drishti-GS 重评“小医疗影像必用增强”的成见：增强确降变异性、利 cup 分割，但弃用增强不再等于崩溃。计算可行不等于临床可部署，后者需域外相机验证、失败模式、校准不确定性、前瞻对照筛查路径。局限含 oracle ROI 定位、仅 3 种子不足以做 Wilcoxon 推断、无跨数据集直推、CLAHE 超参固定、单骨干、文献对比非同协议。
结论部分翻译：研究人员提出并呈现了一项受控的、多种子的五种预处理流水线用于 OD 与 OC 分割的消融研究，以 EfficientUNet++ 在 REFUGE、ORIGA、Drishti-GS 上基准测试。每实验跨三独立随机种子是该文方法论核心，并实质修正了单跑会得的结论；最显著的是 Drishti-GS 上未增强配置的近完全训练失败在优化器与对比归一修正后不再出现，解释由数据稀缺转为训练配置敏感性。由多种子结果得三条实践建议：其一，全分辨率图施 CLAHE（clip limit 8.0，tile grid 8×8，HSV 的 V 通道）是三数据集与采集条件下最一致有益步骤，宜默认；其二，ORIGA 类等较大且同质采集集上 ROI 裁剪伴小且初始化稳定优势，但五配置绝对差 0.0067 太小，训练数据充足时架构容量而非预处理为主因，ROI+CLAHE 优势应作次要、数据集条件性趋势，且本研究 ROI 定位出自真值标注，真实部署需独立盘检测器、性能会不同；其三，增强在小集降初始化敏感性、利 cup，仍建议默认。未来工作含以前瞻评估的盘定位模型替代 oracle ROI、保留逐图 Dice 以做配对检验、跨数据集迁移实验、CLAHE 超参与 EfficientNet 骨干尺寸敏感性分析。
