Serp-Mamba: Advancing High-Resolution Retinal Vessel Segmentation with Selective State-Space Model

📄 arXiv: 2409.04356v2 📥 PDF

作者: Hongqiu Wang, Yixian Chen, Wu Chen, Huihui Xu, Haoyu Zhao, Bin Sheng, Huazhu Fu, Guang Yang, Lei Zhu

分类: cs.CV

发布日期: 2024-09-06 (更新: 2024-09-19)

💡 一句话要点

提出Serp-Mamba网络，用于提升高分辨率视网膜血管分割精度

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 视网膜血管分割 超广角成像 状态空间模型 Mamba 长程依赖 类别不平衡 医学图像分析

📋 核心要点

  1. 高分辨率UWF-SLO图像血管分割任务面临血管结构复杂、类别不平衡等挑战，现有方法难以有效捕捉血管的连续性和区分血管与背景。
  2. 提出Serp-Mamba网络，通过Serpentine Interwoven Adaptive (SIA)扫描机制和Ambiguity-Driven Dual Recalibration (ADDR)模块，增强对血管特征的提取和类别区分。
  3. 实验结果表明，Serp-Mamba在多个数据集上取得了优异的性能，证明了所提出方法在高分辨率血管分割任务中的有效性。

📝 摘要（中文）

超广角扫描激光检眼镜(UWF-SLO)图像能够捕捉高达200度视角的视网膜高分辨率图像。对UWF-SLO图像中的血管进行精确分割对于检测和诊断眼底疾病至关重要。最近的研究表明，Mamba中的选择性状态空间模型(SSM)在建模长程依赖关系方面表现良好，这对于捕捉细长血管结构的连续性至关重要。受此启发，我们提出了第一个Serpentine Mamba (Serp-Mamba)网络来解决这个具有挑战性的任务。具体来说，我们认识到血管管状结构的复杂、多变和精细的性质。此外，UWF-SLO图像的高分辨率加剧了血管和背景类别之间的不平衡。基于以上观察，我们首先设计了一种Serpentine Interwoven Adaptive (SIA)扫描机制，该机制以蛇形爬行的方式沿着弯曲的血管结构扫描UWF-SLO图像。这种方法与血管纹理变换一致，确保了弯曲血管结构特征的有效和连续捕获。其次，我们提出了一种Ambiguity-Driven Dual Recalibration (ADDR)模块，以解决由高分辨率图像加剧的类别不平衡问题。我们的ADDR模块通过两个可学习的阈值来划分像素，并通过双驱动策略来细化模糊像素，从而准确地区分血管和背景区域。在三个数据集上的实验结果表明，我们的Serp-Mamba在高分辨率血管分割方面表现优异。我们还进行了一系列消融研究，以验证我们设计的影响。我们的代码将在本文发表后发布。

🔬 方法详解

问题定义：论文旨在解决超广角扫描激光检眼镜(UWF-SLO)图像中高分辨率视网膜血管的精确分割问题。现有方法难以有效捕捉细长血管结构的连续性，并且高分辨率图像加剧了血管和背景类别之间的不平衡，导致分割精度下降。

核心思路：论文的核心思路是利用Mamba模型在建模长程依赖关系方面的优势，并针对UWF-SLO图像的特点，设计特定的扫描机制和类别重校准模块，从而更有效地提取血管特征并解决类别不平衡问题。

技术框架：Serp-Mamba网络主要包含两个核心模块：Serpentine Interwoven Adaptive (SIA)扫描机制和Ambiguity-Driven Dual Recalibration (ADDR)模块。SIA模块负责以蛇形方式扫描图像，捕捉弯曲血管的连续特征；ADDR模块则通过双阈值和双驱动策略，细化模糊像素，区分血管和背景。整体流程是先通过SIA扫描图像，提取特征，然后利用ADDR模块进行像素级别的类别重校准，最后输出分割结果。

关键创新：论文的关键创新在于SIA扫描机制和ADDR模块的设计。SIA扫描机制模拟蛇形爬行，更符合血管的弯曲结构，能够有效捕捉血管的连续性特征。ADDR模块则针对高分辨率图像带来的类别不平衡问题，通过双阈值和双驱动策略，更准确地区分血管和背景。

关键设计：SIA扫描机制的关键在于蛇形扫描的路径设计，需要根据血管的走向进行调整。ADDR模块的关键在于两个可学习阈值的设置，以及双驱动策略的具体实现方式，例如可以使用不同的损失函数来驱动血管和背景区域的像素分类。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

Serp-Mamba在三个数据集上进行了实验，结果表明其性能优于现有方法。具体的性能数据和对比基线将在论文发表后公布。消融实验验证了SIA扫描机制和ADDR模块的有效性，证明了它们对提升血管分割精度的贡献。

🎯 应用场景

该研究成果可应用于眼科疾病的辅助诊断，例如糖尿病视网膜病变、视网膜血管阻塞等。通过精确分割视网膜血管，医生可以更准确地评估血管的形态和结构，从而及早发现和诊断相关疾病，具有重要的临床应用价值。

📄 摘要（原文）

Ultra-Wide-Field Scanning Laser Ophthalmoscopy (UWF-SLO) images capture high-resolution views of the retina with typically 200 spanning degrees. Accurate segmentation of vessels in UWF-SLO images is essential for detecting and diagnosing fundus disease. Recent studies have revealed that the selective State Space Model (SSM) in Mamba performs well in modeling long-range dependencies, which is crucial for capturing the continuity of elongated vessel structures. Inspired by this, we propose the first Serpentine Mamba (Serp-Mamba) network to address this challenging task. Specifically, we recognize the intricate, varied, and delicate nature of the tubular structure of vessels. Furthermore, the high-resolution of UWF-SLO images exacerbates the imbalance between the vessel and background categories. Based on the above observations, we first devise a Serpentine Interwoven Adaptive (SIA) scan mechanism, which scans UWF-SLO images along curved vessel structures in a snake-like crawling manner. This approach, consistent with vascular texture transformations, ensures the effective and continuous capture of curved vascular structure features. Second, we propose an Ambiguity-Driven Dual Recalibration (ADDR) module to address the category imbalance problem intensified by high-resolution images. Our ADDR module delineates pixels by two learnable thresholds and refines ambiguous pixels through a dual-driven strategy, thereby accurately distinguishing vessels and background regions. Experiment results on three datasets demonstrate the superior performance of our Serp-Mamba on high-resolution vessel segmentation. We also conduct a series of ablation studies to verify the impact of our designs. Our code shall be released upon publication of this work.