Local-sensitive connectivity filter (ls-cf): A post-processing unsupervised improvement of the frangi, hessian and vesselness filters for multimodal vessel segmentation

📄 arXiv: 2605.21251v1 📥 PDF

作者: Erick O Rodrigues, Lucas O Rodrigues, João HP Machado, Dalcimar Casanova, Marcelo Teixeira, Jeferson T Oliva, Giovani Bernardes, Panos Liatsis

分类: eess.IV, cs.CV

发布日期: 2026-05-20

期刊: Journal of Imaging 2022

DOI: 10.3390/jimaging8100291

💡 一句话要点

提出局部敏感连接滤波器(LS-CF)，用于无监督后处理血管分割，提升Frangi等滤波器的性能。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 视网膜血管分割 Frangi滤波器 局部敏感连接滤波器 无监督学习 医学图像处理

📋 核心要点

  1. 视网膜血管分割是眼科疾病诊断的关键步骤，但现有方法在处理血管不连续性方面存在挑战。
  2. 论文提出局部敏感连接滤波器（LS-CF），通过计算像素级血管连续性并引入局部容差来填补血管分割中的间断。
  3. 实验结果表明，LS-CF在多个公开数据集上优于现有方法，尤其是在OSIRIX数据集上取得了最佳的准确率。

📝 摘要（中文）

视网膜血管分析可用于评估眼部风险。本研究提出了一种无监督多模态方法，通过改进Frangi滤波器的响应来实现自动血管分割。我们提出了一种滤波器，该滤波器计算像素级的血管连续性，并引入局部容差启发式方法来填补Frangi响应产生的血管不连续性。该方法被称为局部敏感连接滤波器（LS-CF），并与朴素连接滤波器、基线阈值Frangi滤波器响应以及结合形态学闭运算的朴素连接滤波器响应以及文献中的现有方法进行了比较。该方法在各种多模态数据集中取得了有竞争力的结果。在OSIRIX血管造影数据集中，该方法在准确率方面优于所有最先进的方法，在IOSTAR数据集中，该方法在5项研究中优于4项，同时在DRIVE和STARE数据集中也优于多项研究，在CHASE-DB数据集中，该方法在10项研究中优于6项。对于CHASE-DB，它也优于所有最先进的无监督方法。

🔬 方法详解

问题定义：视网膜血管分割旨在准确识别和描绘视网膜图像中的血管结构。现有的Frangi滤波器等方法在血管分割中表现良好，但容易受到图像噪声和血管结构复杂性的影响，导致血管分割结果出现不连续性，影响后续的分析和诊断。

核心思路：论文的核心思路是通过引入一个局部敏感的连接滤波器（LS-CF）来弥补Frangi滤波器等方法产生的血管不连续性。LS-CF通过计算像素级的血管连续性，并结合局部容差启发式方法，来连接断裂的血管片段，从而提高血管分割的完整性和准确性。

技术框架：该方法主要包含以下几个阶段：1) 使用Frangi滤波器或其他血管增强滤波器提取血管特征；2) 应用LS-CF滤波器，该滤波器基于局部邻域内的像素连接性进行计算，并允许一定程度的容差来连接血管；3) 对LS-CF的输出进行阈值处理，得到最终的血管分割结果。整个过程是无监督的，不需要人工标注数据。

关键创新：该方法最重要的创新点在于LS-CF滤波器的设计。传统的连接滤波器通常对像素连接性要求较高，容易受到噪声的影响。而LS-CF引入了局部容差机制，允许一定程度的像素差异，从而更有效地连接断裂的血管片段，提高了血管分割的鲁棒性。

关键设计：LS-CF的关键设计在于局部容差的计算方式。论文中具体如何计算局部容差heuristic没有详细说明，属于未知细节。此外，LS-CF滤波器的具体实现细节，例如邻域大小、连接性阈值等参数设置，也会影响最终的分割效果。这些参数需要根据具体的应用场景进行调整。

📊 实验亮点

LS-CF在多个公开数据集上取得了优异的性能。在OSIRIX血管造影数据集上，该方法在准确率方面优于所有最先进的方法。在IOSTAR数据集中，该方法在5项研究中优于4项。在CHASE-DB数据集上，该方法优于所有最先进的无监督方法。这些结果表明，LS-CF具有很强的竞争力。

🎯 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、青光眼等。通过准确分割视网膜血管，医生可以更好地评估患者的眼部健康状况，并制定相应的治疗方案。此外，该方法还可以应用于其他医学图像的血管分割任务，例如脑血管、肺血管等。

📄 摘要（原文）

A retinal vessel analysis is a procedure that can be used as an assessment of risks to the eye. This work proposes an unsupervised multimodal approach that improves the response of the Frangi filter, enabling automatic vessel segmentation. We propose a filter that computes pixel-level vessel continuity while introducing a local tolerance heuristic to fill in vessel discontinuities produced by the Frangi response. This proposal, called the local-sensitive connectivity filter (LS-CF), is compared against a naive connectivity filter to the baseline thresholded Frangi filter response and to the naive connectivity filter response in combination with the morphological closing and to the current approaches in the literature. The proposal was able to achieve competitive results in a variety of multimodal datasets. It was robust enough to outperform all the state-of-the-art approaches in the literature for the OSIRIX angiographic dataset in terms of accuracy and 4 out of 5 works in the case of the IOSTAR dataset while also outperforming several works in the case of the DRIVE and STARE datasets and 6 out of 10 in the CHASE-DB dataset. For the CHASE-DB, it also outperformed all the state-of-the-art unsupervised methods.