💻 computer science

Polygon-mamba: Retinal vessel segmentation using polygon scanning mamba and space-frequency collaborative attention

Het artikel stelt Polygon-mamba voor, een hybride CNN-Mamba-netwerk dat een veelhoekscannend visueel ruimtetijdsmodel en een ruimte-frequentie collaboratief aandachtsmechanisme integreert om de topologische integriteit effectief te behouden en de kenmerkextractie te verbeteren voor nauwkeurige segmentatie van kleine retinale vaten over meerdere datasets.

Oorspronkelijke auteurs: Yuanyuan Peng, Wen Li

Gepubliceerd 2026-05-28

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Yuanyuan Peng, Wen Li

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert een delicaat, kronkelend riviersysteem op een kaart na te trekken, maar de inkt is vaag, het papier is gekreukt en de rivier splitst zich in kleine, bijna onzichtbare stroompjes. Dit is in wezen wat artsen tegenkomen wanneer ze proberen de bloedvaten aan de achterkant van het oog (het netvlies) in kaart te brengen. Deze vaten zijn cruciaal voor het diagnosticeren van oogziektes, maar ze zijn ontzettend moeilijk na te trekken omdat ze dun, kronkelig zijn en vaak opgaan in de achtergrond.

Dit artikel introduceert een nieuw computerprogramma genaamd Polygon-mamba, dat is ontworpen om dit traceerprobleem automatisch op te lossen. Hieronder wordt uitgelegd hoe het werkt, opgesplitst in eenvoudige concepten:

1. Het probleem met oude kaarten (het "raster"-probleem)

Eerdere computerprogramma's probeerden deze vaten te traceren door de afbeelding te scannen als een grasmaaier: strikt van links naar rechts, dan van rechts naar links, en van boven naar beneden.

De analogie: Stel je voor dat je probeert een gebogen rivier na te trekken met alleen een liniaal die zich alleen in rechte horizontale of verticale lijnen kan bewegen. Je zou de bochten missen, de rivier in losgekoppelde stukken breken en de kleine zijriviertjes niet zien.
Het resultaat: De oude methoden braken vaak de continuïteit van de vaten of misten de allerkleinste volledig.

2. De nieuwe strategie: "Polygon Scanning" (de "spinnenwebben"-benadering)

De auteurs hebben een nieuwe manier ontwikkeld om de afbeelding te scannen, genaamd Polygon Scanning. In plaats van een star raster scant het programma de afbeelding in uitdijende vormen, zoals een spin die een web spint of rimpelingen die zich verspreiden vanaf een steen die in water wordt gegooid.

De analogie: In plaats van in een raster te lopen, stel je je voor dat je in het midden van een kamer staat en naar buiten loopt in een cirkel, dan een zeshoek, dan een achthoek. Je dekt op deze manier elke hoek en kromme op een natuurlijke manier af.
Het voordeel: Deze "Polygon Mamba"-methode volgt de natuurlijke, kronkelende vorm van de bloedvaten. Het houdt de "rivier" verbonden en zorgt ervoor dat zelfs de allerminste, kwetsbaarste takken worden gedetecteerd zonder de lijn te breken.

3. Het "twee-oogige" perspectief (ruimte en frequentie)

Het artikel betoogt dat het bekijken van een afbeelding op slechts één manier niet voldoende is. Het nieuwe model maakt gebruik van een ruimtelijk-frequentie samenwerkende aandacht-mechanisme, wat vergelijkbaar is met het hebben van twee verschillende brillen om naar dezelfde foto te kijken.

De ruimtelijke bril: Deze richt zich op waar dingen zich bevinden en op hun vorm (de structuur van het vat).
De frequentie-bril: Deze richt zich op de details en de "textuur" (de scherpe randen en fijne lijnen).
De samenwerking: Het model combineert deze twee perspectieven. Het gebruikt het "ruimtelijke" perspectief om het grote plaatje te begrijpen en het "frequentie"-perspectief om de wazige randen te verscherpen en de vaagste details te vangen. Dit voorkomt dat de computer in de war raakt door achtergrondruis of rommel.

4. De resultaten: een betere kaart

De onderzoekers hebben deze nieuwe "Polygon-mamba" getest op drie standaard datasets (collecties van netvliesafbeeldingen) die fungeren als de "standaardtests" voor dit vakgebied.

De uitkomst: In vergelijking met andere toonaangevende computermodellen was hun nieuwe methode beter in het vinden van de kleine, lastige vaten. Het leverde kaarten op die veel dichter leken bij wat een menselijk expert met de hand zou tekenen.
De cijfers: Het behaalde hogere scores op het gebied van nauwkeurigheid en gevoeligheid (het vinden van de vaten die er daadwerkelijk zijn) bij alle drie de tests.

Samenvatting

Kortom, de auteurs hebben een slimmere "digitale tracer" voor oogvaten gebouwd. In plaats van een star, rasterachtig scannerapparaat te gebruiken dat delicate lijnen breekt, gebruikten ze een flexibele, vormveranderende scanner (Polygon Scanning) die de krommingen van de vaten volgt. Ze gaven de computer ook een "dubbelzicht"-systeem om tegelijkertijd het grote plaatje en de kleine details te zien. Het resultaat is een nauwkeurigere, completere kaart van de bloedvaten in het oog, wat een belangrijke stap voorwaarts is om computers te helpen artsen bij het diagnosticeren van oogziektes.

Technische Samenvatting: Polygon-mamba voor Retinale Vessel Segmentatie

Probleemstelling

Retinale vessel segmentatie is een kritieke taak voor het diagnosticeren en beoordelen van oculaire aandoeningen. Het nauwkeurig segmenteren van kleine retinale vaten blijft echter een aanzienlijke uitdaging vanwege verschillende factoren:

Lage Contrast: Een zwak contrast tussen vaten en hun omgeving maakt differentiatie moeilijk.
Complexe Topologie: Vaten vertonen ingewikkelde, verweven patronen met aanzienlijke schaalvariaties.
Beperkingen van Bestaande Modellen:
- CNN's: Hoewel bekwaam in het vastleggen van lokale details, worstelen ze vaak met lange-afstandsafhankelijkheden.
- Transformers: Effectief in globale semantiek, maar computationeel duur.
- Mamba-gebaseerde Modellen: Hoewel ze lineaire tijdscomplexiteit bieden voor lange-afstandsafhankelijkheden, kunnen traditionele Mamba-architecturen die vertrouwen op horizontale en verticale scans de topologische integriteit van anatomische structuren compromitteren. Dit leidt vaak tot lokale discontinuïteiten en gemiste detecties in slanke, kleine retinale haarvaten.
- Aandachtsmechanismen: Veel bestaande methoden vertrouwen uitsluitend op ruimtelijke aandacht, waardoor mogelijk cruciale informatie in het frequentiedomein wordt over het hoofd gezien die noodzakelijk is voor het vastleggen van fijne details en globale correlaties.

Methodologie

De auteurs stellen Polygon-mamba voor, een hybride CNN-Mamba fusienetwerk ontworpen om de specifieke uitdagingen van het detecteren van kleine vaten aan te pakken. De architectuur integreert twee nieuwe modules in een UNet-framework:

1. Polygon Scanning Visual State Space Model (PS-VSS)

Om de topologische fragmentatie te overwinnen die wordt veroorzaakt door standaard horizontale/verticale scans in Mamba-modellen, introduceren de auteurs een Polygon Scanning-strategie binnen het Visual State Space Model (SS2D).

Mechanisme: In plaats van lineaire scans, start het model vanuit een centraal punt en breidt het zich naar buiten uit langs veelhoekige paden (bijvoorbeeld pentagonaal, hexagonaal).
Meerlaagse Omgekeerde Scanning: De scanrichting wisselt tussen lagen (bijvoorbeeld Laag $M$ versus Laag $M+1$ ), wat een omgekeerd scan-effect creëert dat systematisch de feature map bestrijkt.
Doel: Deze benadering behoudt pixel-niveau connectiviteit en modelleert beter de gebogen, vertakkende en slanke topologische kenmerken van retinale vaten, waardoor een continue structurele representatie wordt gewaarborgd.

2. Ruimte-Frequentie Collaboratieve Aandachtsmechanisme (SFCAM)

Geïntegreerd in de skip-verbindingen, maakt deze module gebruik van het complementaire karakter van ruimtelijke en frequentiedomeinen.

Drie-Tak Architectuur:
- Lokale Tak: Extrahert multi-schaal features (met behulp van $1\times1$ , $3\times3$ , $5\times5$ convoluties) om ruwe en fijne vessel details vast te leggen.
- Globale Tak: Gebruikt het PS-VSS-module om lange-afstandsafhankelijkheden en globale context vast te leggen.
- Wavelet Transformer (WT) Tak: Decomposeert features in laagfrequente (morfologie, topologie) en hoogfrequente (grenzen, kleine takken, textuur) componenten met behulp van Discrete Wavelet Transform.
Bidirectionele Cross-Aandacht Fusie (BCFM): Deze sub-module aligneert semantische discrepanties tussen ruimtelijke en frequentie-features. Het hanteert een query-uitwisselingsstrategie om bidirectionele cross-aandacht te construeren, waardoor het model dynamisch features kan selecteren en fuseren uit lokale/hoogfrequente en globale/laagfrequente takken.
Doel: Om adaptief prominente vessel features te versterken terwijl rommel wordt onderdrukt, waardoor kleine vaten en randcontouren effectief worden hersteld.

Belangrijkste Bijdragen

Het artikel schetst vier primaire bijdragen:

Polygon-mamba Model: Een nieuw segmentatiekader dat specifiek is ontworpen voor de nauwkeurige detectie van kleine retinale vaten, wat de segmentatie-accuraatheid aanzienlijk verhoogt.
PS-VSS Module: Een innovatieve scantechnologie die veelhoekige paden gebruikt om semantische informatie efficiënt te extraheren en globale features vast te leggen, waarmee de continuïteitsproblemen van traditionele Mamba-scans worden aangepakt.
SFCAM Module: Een mechanisme dat efficiënte features extrahert uit zowel ruimtelijke als frequentiedomeinen, waardoor het model in staat is doelobjecten te benadrukken en ruis te onderdrukken.
Geïntegreerd UNet Schema: De succesvolle integratie van PS-VSS en SFCAM in een UNet-architectuur om een efficiënt segmentatieschema te genereren dat globale modellering afweegt tegen het behoud van lokale details.

Experimentele Resultaten

Het model werd geëvalueerd op drie openbare datasets: DRIVE, STARE en CHASE DB1.

Kwantitatieve Prestaties

De voorgestelde methode presteerde beter dan state-of-the-art modellen (waaronder Mamba-UNet, FSE-Mamba, Rolling-UNet en KM-UNet) in sleutelmetrieken:

DRIVE: F1 Score: 0.8288, AUC: 0.9808, Sensitiviteit (SE): 0.8356.
STARE: F1 Score: 0.8282, AUC: 0.9840, SE: 0.8314.
CHASE DB1: F1 Score: 0.8251, AUC: 0.9866, SE: 0.8484.

Opmerkelijk is dat het model de hoogste SE-waarden behaalde over alle datasets, wat wijst op een superieure capaciteit voor het detecteren van positieve monsters (vaten), met name kleine en vage. Hoewel de Specificiteit (SP) in sommige gevallen iets lager was dan die van sommige concurrenten, schrijven de auteurs dit toe aan de verhoogde gevoeligheid van het model voor fijne vaten, wat kan leiden tot meer misclassificaties van de achtergrond maar de recall aanzienlijk verbetert.

Ablatie- en Comparatieve Studies

Module Effectiviteit: Ablatiestudies bevestigden dat het sequentieel toevoegen van PS-VSS en SFCAM de IOU, F1 en SE over alle datasets verbeterde. Bijvoorbeeld, op CHASE DB1 verhoogde SFCAM de SE met 9,45% in vergelijking met de baseline plus PS-VSS.
Scanstrategie: Experimenten die verschillende veelhoekvormen vergeleken (Driehoek, Vierhoek, Pentagon, Hexagoon, Octagoon) onthulden dat de Pentagon-scanmethode de beste algehele prestaties leverde op DRIVE en CHASE DB1, terwijl Hexagoon goed presteerde op STARE. De Pentagon-strategie werd geselecteerd als de optimale keuze voor het definitieve model.
Complexiteit: Het model heeft 68,32M parameters en 2,53G FLOPs. Hoewel dit hoger is dan bij sommige lightweight-modellen, is het aanzienlijk efficiënter dan methoden met hoge complexiteit zoals MCDAU-Net en MDF-Net, waardoor een gunstige afweging wordt bereikt tussen prestaties en computationele kosten.

Betekenis en Claims

De auteurs beweren dat Polygon-mamba een aanzienlijke vooruitgang betekent in retinale vessel segmentatie door direct de topologische discontinuïteiten aan te pakken die inherent zijn aan standaard Mamba-architecturen.

Topologische Integriteit: Door gebruik te maken van polygonale scanning, behoudt het model succesvol de continuïteit van complexe vasculaire structuren, een veelvoorkomend faalpunt in eerdere Mamba-gebaseerde benaderingen.
Dual-Domein Feature Extractie: De integratie van ruimte-frequentie aandacht stelt het model in staat zowel de globale structurele context als de fijnkorrelige lokale details (randen, kleine takken) vast te leggen die vaak verloren gaan in modellen die uitsluitend op ruimtelijke informatie vertrouwen.
Detectie van Kleine Vaten: De primaire betekenis ligt in het vermogen van het model om kleine, laag-contrast vaten met hoge sensitiviteit te detecteren, waarbij het bestaande methoden overtreft in visuele inspectie en kwantitatieve metrieken.

Het artikel concludeert dat, hoewel het model superieure prestaties bereikt, toekomstig werk zich zal richten op het verbeteren van de Specificiteit (ruisonderdrukking) en het verkennen van traditionele patroonherkenningsmethoden om de ruishandtering verder te verfijnen zonder de detectie van kleine vaten in gevaar te brengen.