【阅读总结】ROSE: A Retinal OCT-Angiography Vessel Segmentation Dataset and New Model
这是一篇2021年的文章,发表在IEEE Transactions on Medical Imaging。主要内容是一个开放的数据集(ROSE)和一个开源的OCTA血管分割模型(OCTA-Net)。
ROSE数据集
论文中并没有给出数据集的下载链接,数据集需要发邮件向作者索要:
数据集官方网址:
https://imed.nimte.ac.cn/dataofrose.html
ROSE-1
ROSE分为ROSE-1和ROSE-2。ROSE-1共包括来自39名受试者(包括26名阿尔茨海默病(AD)患者和13名健康对照者)的117张OCTA图像。AD组和对照组都是60岁以上的老人。所有的OCTA扫描结果的图像分辨率为304×304像素。扫描区域是以中心凹为中心的3×3mm2。获得每个参与者的SVC(浅层)、DVC(深层)和SVC+DVC(浅层+深层)血管造影。ROSE-1的示例图如下:
ROSE-1的标注分为两步,分别是:
(1)中心线级注释。由专家分别对SVC、DVC和SVC+DVC图像,使用ImageJ软件手动追踪血管中心线,如图A-2、B-2、C-2所示;
(2)像素级注释。如图A-3和C-3所示。
最终的GroundTruth是上述两步标注综合的结果。
ROSE-2
ROSE-2包含来自112只患有各种黄斑疾病的眼睛的112张OCTA图像。ROSE-2并非人工标注,而是由matlab标注。原文是这样表述的:
All the visible retinal vessels were manually traced using an in-house program written in Matlab (Mathworks R2018, Natwick) by an experienced ophthalmologist.
数据集Ground Truth是由一位经验丰富的眼科医生使用的matlab编写的内部程序“手动追踪”的。具体怎么个“手动追踪”,我们不得而知。为什么ROSE-1标注用ImageJ而ROSE-2标注用matlab呢?原文也没说。可能是matlab相比ImageJ更省力吧,相对的标注准确度也会下降一些。总之ROSE-2的可靠性应该要比ROSE-1要低一些。ROSE-2的示例图如下:
ROSE-2只标注了血管中心线,然后把这些中心线加粗到7个像素,作为血管的GroundTruth。不论是粗的血管还是毛细血管,在GroundTruth中都是7像素粗。从这一点上说,ROSE-2的精准度不如ROSE-1。
OCTA-Net
这篇论文开源了模型代码:
https://github.com/iMED-Lab/OCTA-Net-OCTA-Vessel-Segmentation-Network
OCTA-Net分为两个阶段,两个网络。第一阶段的网络负责生成粗略的估计,第二阶段的网络负责生成精细的估计。
第二阶段我没怎么看懂,就只能讲一讲第一阶段:输出有3个,粗血管分割图、细血管分割图和粗+细血管分割图。
原文细节说的比较啰嗦,我们就直接看代码吧。对应的源码文件是first_stage.py中的SRF-UNet。
提出的模型本质上是一个U-Net,或者说Encoder-Decoder模型。输入一个图片x,Encoder负责将x逐层提取特征,形成x0,x1,x2,x3,x4,x5。
然后是粗血管的解码。使用的是很熟悉的U-Net的基本操作,包括上采样,跳跃连接等。
细血管的解码是从编码器的第二层输出x2开始解码。值得注意的是,细血管和粗血管的编码器是同一个编码器,共享权值,而解码器是不同的解码器,不共享权值。
前面已经做完了细血管的分割和粗血管的分割。最后粗+细血管的分割只是简单地在前两个结果中取最大值。
前面对forward函数的分析已经能大致看出网络结构。细节方面,用到了Resnest和split attention,想要了解的话,看看resnest相关的解析博客就可以了。
【阅读总结】ROSE: A Retinal OCT-Angiography Vessel Segmentation Dataset and New Model相关推荐
- 【阅读总结】Image Magnification Network for Vessel Segmentation in OCTA Images
这是一篇arXiv上2021年的文章.主要内容是提出了一个新的血管分割网络. 以往基于深度学习的方法以U-Net作为基础结构来分割视网膜血管.作者认为U-Net容易遗漏弱信号血管和细毛细管,于是提出了 ...
- 论文阅读笔记:Retinal blood vessel segmentation using fully convolutional network with transfer learning
Retinal blood vessel segmentation using fully convolutional network with transfer learning 使用全卷积网络与迁 ...
- 论文阅读笔记:Retinal vessel segmentation of color fundus images using multiscale convolutional neural.....
Retinal vessel segmentation of color fundus images using multiscale convolutional neural network wit ...
- 【U-net】【粗读】Retinal blood vessel segmentation using fully convolutional network with transfer...
Retinal blood vessel segmentation using fully convolutional network with transfer learning 摘要 介绍 数据集 ...
- SA-UNet: Spatial Attention U-Net for Retinal Vessel Segmentation
论文阅读:SA-UNet: Spatial Attention U-Net for Retinal Vessel Segmentation 用于视网膜血管分割的空间注意力U-Net 摘要:视网膜血管的 ...
- 55——SPNet: A novel deep neural network for retinal vessel segmentation basedon shared decoder and p
论文信息:SPNet: A novel deep neural network for retinal vessel segmentation based on shared decoder and ...
- 【论文精读】ISBI 2022 - Retinal Vessel Segmentation with Pixel-wise Adaptive Filters
[论文精读]ISBI 2022 - Retinal Vessel Segmentation with Pixel-wise Adaptive Filters [论文原文]:Retinal Vessel ...
- Illumination correction by dehazing for retinal vessel segmentation
总结: 采用去雾的方法来矫正由于图像采集设备造成的照明不均匀问题,并在视网膜血管分割任务中进行验证. 摘要 视网膜血管的评估是诊断许多疾病如心脏病,糖尿病和高血压的基础.使用先进的眼底照相机对视网膜进 ...
- 论文阅读——A Deep Learning Design for improving Topology Coherence in Blood Vessel Segmentation
A Deep Learning Design for improving Topology Coherence in Blood Vessel Segmentation 改善血管分割中拓扑一致性的深度 ...
最新文章
- Docker将容器制作成镜像并提交到远程仓库
- python在哪写代码-python的代码写在哪里,怎么样运行python代码
- BW对于SAP SD模块有哪些作用
- java 微信转账 ca_error_C#关于微信红包开发问题:CA证书出错,请登录微信支付商户平台下载证书...
- 起底《最后生还者2》:开发者们设计剧情应该规避的误区
- 设计延迟加载的“单例设计模式”
- android的读取xml配置文件,android中XMl文件的读取
- 安卓逆向代码反混淆 Simplify工具 JEB2反混淆神器
- 怎么用程序实现调用Android手机的拍照功能
- 组合数学—容斥原理与鸽巢原理
- New Concept English three(13)
- 微信公众平台小程序(应用号)开始内测了
- 这个软件真好用,让 iPhone 无线投屏到 Mac 上
- ueditor 文件服务器,ueditor-extend: 对百度UEditor编辑器做扩展,开放文件存储方法和获取远程文件列表方法,使其更灵活,更容易和独立的文件服务或者文件存储的云服务结合。...
- leetcode-堆
- 飞鱼星测试软件,飞鱼星VE984GW+
- 智能手机业务的最新发展趋势
- 拼多多秒杀活动的谣言
- 什么是开源网络情报?有什么特点?
- python写入文件没反应_Python write 函数写文件失败