論文題目：Multiscale Network Followed Network Model for Retinal Vessel Segmentation

The Core Content Of This Article：

1.對眼底彩照血管分割精度達到了一個state-of-the-art的水平。

2.採用多尺度Network Followed Network的網路結構分割更加精細的特徵。

Dataset：

DRIVE資料集來自荷蘭啟動的糖尿病視網膜病變篩查計劃。 它包括20個訓練和20個測試眼底視網膜彩色影象，大小為584×565.這些影象是由400名糖尿病受試者的光學相機拍攝的，年齡為25-90歲。 其中，33張影象沒有任何病理表現，其餘影象的糖尿病跡象非常小。 每個影象都配備了兩位專家手動分割的mask和ground truth。

DRIVE: Digital Retinal Images for Vessel Extraction​www.isi.uu.nl

CHASE DB1資料集包括從14名學童的雙眼中拍攝的28張視網膜影象。 通常，前20個影象用於訓練，其餘8個影象用於測試。 每幅影象的大小為999×960.二值視野（FOV）掩模和分割ground truth是通過手工方法獲得的。

Retinal image database​blogs.kingston.ac.uk

Performance：

在DRIVE資料集表現

在CHASE_DB1資料集上的表現

Images Pre-processing and Patch Extraction

• 本文對每個資料集的眼底彩照都進行了灰度化處理，做了對比度增強以及去噪工作。

• 在DRIVE資料集上隨機抽取190000個48×48的Patches，CHASE_DB1上隨機抽取400000個patches作為訓練集

Training Two NFN Models

用以上資料作為訓練集訓練兩個同樣的NFN模型

這個只是單個NFN模型

單個NFN模型是由兩個U-net級聯而成，第一個U-net後面有一個輔助Loss L2

整個網路模型如下：

模型整體

上面藍色的是兩個級聯的U-net,不過原文叫做Up-pool Network，下面也是兩個級聯的U-net，原文叫做Pool-up Network，然後連個模型結果進行平均，再經過一些操作得到原圖。

這裡要注意：上路徑的Up-pool Network和下路徑的Pool-up Network是有點不一樣的：

Up-pool Network和Pool-up Network

可以看出up-pool是先上取樣，在下采樣到原圖，再經過U-net,後面再上取樣，再下采樣到原圖的過程，Pool-up和它是完全相反的過程。

這樣做的好處是可以抓取不同尺寸的特徵，這上下采樣之間，將不同尺寸的細節相互融合，到最後再平均得到最後結果

超引數設定：

Loss=0.8L2+L1

SGD(lr=0.01,iteration=100,batch_size=32)

消融實驗：

有NFN和無NFN的對比，也即後面連線兩個U-net的必要性：

精確度對比：

可見還是很有必要的

總結：

• 雖然思路很不多，但是給的指標讓人懷疑，為什麼不用Dice，或許是因為原本資料集的官方評價指標裡面沒有Dice吧！

• 多尺度的思想還是可以考慮的，至於NFN，我想還是有一點借鑑性的，不如我把它加Wnet吧，你覺的如何，畢竟人家都想出來了，我也不好意思照抄。