The Little W-Net That Could: State-of-the-Art Retinal Vessel Segmentation with Minimalistic Models

论文链接：http://xxx.itp.ac.cn/abs/2009.01907

参数少了几个数量级，但性能仍表现SOTA！优于M2U-Net等网络，代码刚刚开源！作者单位：伯恩茅斯大学, IDIAP研究所等

对视网膜血管系统进行分割是视网膜图像分析中最基本的任务之一。近年来，基于复杂的卷积神经网络架构的日益复杂的方法一直在缓慢地推动成熟的基准数据集的性能。在本文中，我们将退后一步并分析这种复杂性的实际需求。具体来说，我们证明了标准U-Net的简化版本，其参数少了几个数量级，经过仔细训练和严格评估，非常接近当前最佳技术的性能。此外，我们提出了一个简单的扩展名为W-Net，该扩展在几个流行的数据集上均具有出色的性能，但仍比以前发布的方法使用的学习权重要低几个数量级。此外，我们提供了迄今为止最全面的跨数据集性能分析，涉及多达10个不同的数据库。我们的分析表明，当考虑与训练数据有很大不同的测试图像时，视网膜血管分割问题还远远没有解决，并且该任务代表了探索领域适应技术的理想方案。在这种情况下，我们尝试了一种简单的自标记策略，该策略允许我们适度地增强跨数据集的性能，这表明该领域仍有很大的改进空间。最后，我们还测试了关于动脉/静脉分割问题的方法，在此方法中，我们再次获得了与最新技术完全吻合的结果，而其模型复杂度仅为最近文献的一小部分。开源用于重现本文结果的所有代码。

内容中包含的图片若涉及版权问题，请及时与我们联系删除