Benchmarking Retinal Blood Vessel Segmentation Models for Cross-Dataset and Cross-Disease Generalization

视网膜血管分割可以从眼底图像中提取临床相关信息。手动追踪非常麻烦，因此基于卷积神经网络的算法得到了发展。这些研究使用了小型公开数据集进行训练和性能测量，存在过度拟合的风险。在这里，我们提供了一个严格的基准，针对文献中常用的各种架构和训练选择，使用迄今为止公布的最大数据集进行评估。我们在公开的FIVES眼底图像数据集上训练和评估了五个已发表的模型，该数据集的规模和质量均超过以往的数据集，并包含来自常见眼科疾病（糖尿病视网膜病变、老年性黄斑变性、青光眼）的图像。我们比较了不同模型架构在不同损失函数、图像质量水平和眼科疾病方面的性能，并评估它们在面对疾病诱导的领域转移时的表现能力。在有足够的训练数据的情况下，像U-Net这样的基本架构的性能与更先进的架构一样好，并且对于大多数架构，跨疾病诱导的领域转移通常都能很好地工作。但是，我们发现图像质量是决定分割结果的关键因素。当优化分割性能时，投资于精心策划的数据集以训练标准架构比在较小或质量较低的数据集上调整复杂架构要好。因此，我们将架构进步的实用性归纳为其临床相关性，从而为临床环境下的模型选择提供实用指导。

论文旨在解决基于眼底图像的视网膜血管分割问题，以提取临床相关信息。同时，该论文还试图在最大的公开数据集上对不同的模型架构和训练选择进行严格的基准测试，以提供实用的指导。

论文使用卷积神经网络，基于公开数据集进行视网膜血管分割，比较了不同模型架构、损失函数、图像质量和眼科疾病对模型性能的影响，并评估了模型在面对疾病诱发的领域转移时的表现。结果表明，基于U-Net等基本架构的模型在足够的训练数据下表现良好，而图像质量是决定分割结果的关键因素。

论文使用了FIVES公开数据集，比以往的数据集更大、更高质量，并包含多种眼科疾病。实验表明，基本架构的模型在足够的训练数据下表现良好，而图像质量是决定分割结果的关键因素。此外，论文还提供了实用的指导，说明在何种情况下选择何种模型。

在该领域的相关研究包括："Retinal Vessel Segmentation Using Deep Learning: A Comparative Study"、"Deep learning-based retinal vessel segmentation on optical coherence tomography angiography"、"Retinal vessel segmentation using fully convolutional network with transfer learning"等。