Improving segmentation of retinal arteries and veins using cardiac signal in doppler holograms
作者: Marius Dubosc, Yann Fischer, Zacharie Auray, Nicolas Boutry, Edwin Carlinet, Michael Atlan, Thierry Geraud
分类: cs.CV, cs.AI
发布日期: 2025-11-18
备注: 5 pages, 3 figures, 1 table. Submitted to ISBI2026
🔗 代码/项目: HUGGINGFACE
💡 一句话要点
利用心动信号增强多普勒全息图中视网膜动静脉分割
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 视网膜动静脉分割 多普勒全息术 心动信号 U-Net 深度学习 视网膜血流动力学 医学图像分割
📋 核心要点
- 传统视网膜动静脉分割方法主要依赖空间信息，忽略了多普勒全息数据中蕴含的丰富时间信息，导致分割精度受限。
- 该论文提出利用从心动信号提取的特征，增强U-Net等标准分割架构对时间动态信息的利用，从而提升分割性能。
- 实验结果表明，该方法在时间多普勒全息图上实现了与更复杂的注意力或迭代模型相当的动静脉分割性能。
📝 摘要（中文）
多普勒全息术是一种新兴的视网膜成像技术，它以高时间分辨率捕捉血流的动态行为，从而能够对视网膜血流动力学进行定量评估。这需要对视网膜动脉和静脉进行精确分割，但传统的分割方法仅关注空间信息，而忽略了全息数据的时间丰富性。本文提出了一种简单而有效的方法，用于在使用标准分割架构的时间多普勒全息图中进行动静脉分割。通过结合来自专用脉冲分析管道的特征，我们的方法允许传统的 U-Net 利用时间动态，并实现与更复杂的基于注意或迭代的模型相当的性能。这些发现表明，时间分辨预处理可以释放深度学习在多普勒全息术中的全部潜力，为定量探索视网膜血流动力学开辟新的视角。该数据集可在 https://huggingface.co/datasets/DigitalHolography/ 公开获取。
🔬 方法详解
问题定义：视网膜动静脉的精确分割是定量评估视网膜血流动力学的关键步骤。传统方法主要依赖于静态图像的空间信息，忽略了多普勒全息术所能提供的时间动态信息。这导致分割精度不高，无法充分利用多普勒全息数据的优势。
核心思路：论文的核心思路是将从多普勒全息数据中提取的心动信号特征融入到传统的分割网络中。通过将时间信息编码到空间分割模型中，使模型能够更好地理解视网膜血管的动态行为，从而提高分割的准确性。这种方法旨在利用时间信息来补充空间信息，从而克服传统方法的局限性。
技术框架：该方法主要包含两个阶段：首先，使用一个专门的脉冲分析管道从多普勒全息数据中提取心动信号相关的特征。然后，将这些特征作为额外的输入通道，输入到标准的 U-Net 分割网络中。U-Net 负责对视网膜动静脉进行分割，同时利用心动信号特征来提高分割的准确性。整体流程简单清晰，易于实现。
关键创新：该方法的关键创新在于将时间信息（心动信号特征）有效地融入到空间分割网络中。与直接使用更复杂的网络结构（如注意力机制或迭代模型）相比，该方法通过预处理提取关键的时间特征，并将其作为额外信息输入到标准网络中，从而在不显著增加模型复杂度的前提下，提高了分割性能。
关键设计：论文的关键设计在于心动信号特征的提取和融合方式。具体的脉冲分析管道细节未知，但可以推测其目标是提取与血管搏动相关的特征，如脉搏频率、幅度变化等。这些特征被作为额外的输入通道与原始图像数据一起输入到 U-Net 中。损失函数可能采用标准的分割损失函数，如交叉熵损失或 Dice 损失，具体细节未知。
📊 实验亮点
该研究表明，通过简单地将心动信号特征融入到标准 U-Net 网络中，就可以实现与更复杂的注意力机制或迭代模型相当的视网膜动静脉分割性能。这表明，时间分辨预处理是提高多普勒全息图像分割性能的有效途径，并且可以避免引入过多的模型复杂度。具体的性能指标和对比基线未知。
🎯 应用场景
该研究成果可应用于眼科疾病的早期诊断和治疗监测。通过精确分割视网膜动静脉，可以定量评估视网膜血流动力学，从而帮助医生更好地了解视网膜血管的健康状况。这对于诊断和监测青光眼、糖尿病视网膜病变等疾病具有重要意义。未来，该技术有望集成到便携式视网膜成像设备中，实现快速、准确的视网膜血管评估。
📄 摘要（原文）
Doppler holography is an emerging retinal imaging technique that captures the dynamic behavior of blood flow with high temporal resolution, enabling quantitative assessment of retinal hemodynamics. This requires accurate segmentation of retinal arteries and veins, but traditional segmentation methods focus solely on spatial information and overlook the temporal richness of holographic data. In this work, we propose a simple yet effective approach for artery-vein segmentation in temporal Doppler holograms using standard segmentation architectures. By incorporating features derived from a dedicated pulse analysis pipeline, our method allows conventional U-Nets to exploit temporal dynamics and achieve performance comparable to more complex attention- or iteration-based models. These findings demonstrate that time-resolved preprocessing can unlock the full potential of deep learning for Doppler holography, opening new perspectives for quantitative exploration of retinal hemodynamics. The dataset is publicly available at https://huggingface.co/datasets/DigitalHolography/