简介
MIA期刊2024，将临床相关特征（血管密度、分形维度）添加到损失函数CF-Loss的设计中，训练一个多类别分割模型（动脉、静脉、背景、不确定部分），在典型的UNet和BFNet上对比多个损失函数的设计，验证CF-Loss的有效性，并且从分割结果中计算血管密度、分形维度，来预测临床任务：脑中风的发生概率。
临床特征（血管密度、分形维度）与预测疾病的选择依赖于已有的研究，已经证明二者与脑中风的相关性（在消融实验中进一步讨论了动脉和静脉的血管密度、分形维度在预测方面的表现）
Abstract
临床相关特征（血管密度、分形维度）有助于疾病诊断；将血管特征编码至端到端的损失函数CF-Loss，用于多类别分割任务（动脉、静脉、背景、不确定部分），在3个公开数据集上使用2个标准分割网络，验证损失函数设计的有效性。
像素级分割表现与血管特征准确性并不总是正相关，因此CF-Loss指导模型的优化更有意义。
最终分割结果中计算的血管特征被用于临床下游任务（预测脑中风）
Intro
临床相关的视网膜血管特征与多种疾病相关，例如新加坡马来眼科研究发现较大的视网膜静脉直径与中风概率有关。准确的血管特征依赖于准确的分割结果。
多类血管分割：血管分割、动静脉分割
主要方法：
- 基于密度特征：从图像像素中提取手工特征，使用聚类方法（例如KNN）
- 基于图：从特征信息和拓扑信息来划分动脉静脉
- 深度学习方法：使用end-to-end网络从眼底图像中划分动脉/静脉
之前的研究假设提升像素级分割精度可以得到精确的血管特征，因此关注提升像素级分割指标而忽略了与疾病直接相关的血管特征，同时血管特征可以为多雷分割提供有效约束，但没有被利用。
作者提出一个临床相关特征优化（血管密度、分形维度）的损失函数CF-Loss，既减少了临床特征的错误，又增强了多类分割性能，避免了直接使用像素级的性能指标的限制。主要贡献：
- 首次将临床相关特征添加到端到端的损失函数，CF-Loss作为网络训练的额外约束，与基于像素的分割损失互补
- 在多类血管分割中使用2个标准分割网络、在3个公开数据集上验证CF-Loss的高效性
- 像素级分割高指标和血管特征的精确性并不相关，从网络架构、分割策略、损失函数3方面指出了在下游临床任务中使用CF-Loss优化的高效性
- 首次定量验证改进分割后对临床下游任务的贡献，CF-Loss提升了真实世界下游临床任务-脑中风的预测性能
2 Related work
2.1 动脉/静脉分类和分割
2.2 神经网络中的拓扑约束
2.3 临床相关血管特征
Method
考虑到计算效率，在多种特征中选择血管密度和分形维度。
分割map：$$