【医学+深度论文:F14】2018 Joint Optic Disc and Cup Segmentation Based on Multi Label Deep Network
14
2018 T-MI (IEEE Transactions on Medical Imaging )
Joint Optic Disc and Cup Segmentation Based on Multi Label Deep Network and Polar Transformation
Method : 分割 joint视盘视杯,计算杯盘比 one-stage multi-label
Dataset :ORIGA 、 SCES
Architecture : M-Net
Results :分割结果 : ORIGA数据集 overlapping error OD (0.07)、OC(0.23)
CDE计算 : AUC ORIGA (0.85) 、 SCES(0.90)
有不少数学公式、图片转换成极坐标系
Methods
杯盘比(CDR)在青光眼的筛查和诊断中起重要作用。
从眼底图像准确和自动地分割视盘(OD)和视杯(OC)是一项基本任务。
CDR related work
CDR由垂直杯直径(VCD)与垂直盘直径(VDD)的比率计算。一般而言,较大的CDR表明青光眼的风险较高,反之亦然。准确的OD和OC分割对CDR测量至关重要。
(一些方法从三维 OCT 自动测量视盘视杯,但是成本高, 所以做眼底图分割)
主要的分割技术包括颜色和对比度阈值处理,边界检测和区域分割方法。
大多数现有方法基于手工制作的特征(例如,RGB颜色,纹理,Gabor滤波器和梯度),其缺乏充分的辨别性表示并且容易受病理区域和低对比度质量的影响。
大多数方法分别对OD和OC进行分段,即首先分段OD,然后是OC而不考虑它们的相互关系。
在本文中,我们提出了一种名为M-Net的深度学习体系结构,它在 one-stage multi-label 系统中共同解决OD和OC分割问题。
视盘分割 related work
基于模板的方法来获得OD边界
主动轮廓模型,基于图像梯度检测轮廓基于循环的变换技术来获得OD边界
利用多维特征空间中每个感兴趣点周围的局部纹理特征来提供抵抗OD区域变化的鲁棒性
基于像素分类的方法将边界检测问题转换为像素分类任务
…
视杯分割 related work
低对比度边界
- 依赖 hand-crafted visual 特征
联合视盘 视杯分割 related work
- 大多数现有方法仅关注单区域分割(即,OC或OD)
但是问题是,视杯和视盘是有关系的。对于视盘分割,OD边界可以提供一些有用的先验信息,例如形状约束和结构约束
顺序方式分离OD和OC,并且多为多步深度系统
M-Net Pipeline
自动光盘检测方法定位光盘中心
然后根据检测到的光盘中心将原始眼底图像转移到极坐标系中
来改善OD和OC分割性能。逐像素极化变换将原始眼底图像转移到极坐标系
空间约束
有用的几何约束是OC应该在OD区域内,极坐标变换 呈现有序的层结构 是基于层的分割方法,可以用作后处理。等效增强
逐像素映射,原始眼底图像上的数据增强等效于极坐标上的数据增益平衡杯盘比
极性变换基于OD中心平坦图像,可以通过插值扩大杯区域并增加OC比例。平衡区域有助于避免模型训练期间的过度拟合
400 × 400
- 然后将传输的图像输入我们的M-Net,并生成OD和OC区域的多标签概率图
M-Net
Multi-Scale input layer
多尺度输入层构造图像金字塔以实现多级感受野大小U-Net
用作主体网络结构以学习丰富的分层表示Side-Output Layer
侧输出层用作早期分类器,其产生用于不同尺度层的伴随局部预测图Multi-Label Loss Function
多标签损失函数来生成最终的分割图最后,逆极转换将分割图恢复回笛卡尔坐标。
Results
提出了一种 multi-label 网络
能自动联合OD和OC分割,end to end,basenet是Unet,输出产生分割概率图提出了一种 multi-label Loss function
针对联合OD和OC分割, 基于 Dice coefficient ,处理眼底图像像素分割的多标签和不平衡数据将眼底图像转换为极坐标系
使用polar transformation
来实现空间约束,等效增强和平衡杯比例,提高了分割性能。评估 M-Net
- 分割效果: 在ORIGA数据集上是最好效果
OD和OC分割的 overlapping error 分别为0.07和0.23
我们将M-Net与几种最先进的OD / OC分割方法进行比较
加 joint更好,加 PT 更好
- CDE计算: 在ORIGA和SCES数据集上获得了最高性能
曲线下面积(AUC)为0.85和0.90
- 分割效果: 在ORIGA数据集上是最好效果
Discussion
- M-Net的输出是OD和OC的2通道后验概率图 。
OD、OC、背景 不应该是三类吗??难道和Joint有关??
看图明白了他一张图是 OD 和背景,一张图是 OC和背景。经过 multi-label map 变成三类
时间 : 5个小时训练 ,仅需花费0.5 秒 以产生用于一个眼底图像,更快
评估了所提方法的可重复性
临床测量
垂直盘和杯可以获得比水平更高的精度
【医学+深度论文:F14】2018 Joint Optic Disc and Cup Segmentation Based on Multi Label Deep Network相关推荐
- 【医学+深度论文:F05】2018 automatic optic disk and cup segmentation of fundus images using deep learning
05 automatic optic disk and cup segmentation of fundus images using deep learning 2018 Method :分割,视盘 ...
- 【医学+深度论文:F18】2019 Robust optic disc and cup segmentation with deep learning for glaucoma detection
18 2019 Computerized Medical Imaging and Graphics Robust optic disc and cup segmentation with deep l ...
- 【医学+深度论文:F21】2017 CVPR Optic Disc and Cup Segmentation Methods for Glaucoma Detection
21 2017 CVPR Optic Disc and Cup Segmentation Methods for Glaucoma Detection with Modification of U-N ...
- 【医学+深度论文:F04】Integrated Optic Disc and Cup Segmentation with Deep Learning
04 Integrated Optic Disc and Cup Segmentation with Deep Learning 2015 年比较老 分割问题 : 青光眼筛查,视盘分割,视杯分割 Da ...
- 【医学+深度论文:F23】2018 symmetry Dense Fully Convolutional Segmentation of the Optic Disc and
23 2018 symmetry Dense Fully Convolutional Segmentation of the Optic Disc and Cup in Colour Fundus f ...
- 【医学+深度论文:F25】2018 CVPR Enhanced Optic Disk and Cup Segmentation with Glaucoma Screening from Fundus
25 2018 CVPR Enhanced Optic Disk and Cup Segmentation with Glaucoma Screening from Fundus Images usi ...
- 医学分割论文:nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation
医学分割论文:nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation Auther: Fabian Is ...
- 视盘检测 Accurate and Efficient Optic Disc Detection and Segmentation by a Circular Transformation
Accurate and Efficient Optic Disc Detection and Segmentation by a Circular Transformation 原文意思: 利用边缘 ...
- 【医学+深度论文:F34】2018 CVPR Retinal Optic Disc Segmentation using Conditional Generative Adversarial
34 2018 CVPR Retinal Optic Disc Segmentation using Conditional Generative Adversarial Network datase ...
最新文章
- Typo域名测试工具urlcrazy大学霸IT达人
- Ubuntu开机黑屏解决办法
- Android的十六进制颜色值
- python输入数组_python怎么输入数组
- 关于Android工程师转vue的三两事儿(10)--原型与原型链
- linux下运行class,在Linux下可用Wine安装和运行AIclass、希沃白板5
- exescope使用
- 机顶盒固件简单做刷机包方法
- C# WinForm TextBox 文本垂直居中实现
- git代理设置与取消
- Dragonfly 修改数据像素点大小
- 最通俗易懂的SpringBoot经典学习笔记讲解
- t3不能登录到服务器 host文件,T3打开报表提示不能登录服务器,我去服务器设置里面输入了服务器的地址和计算机名还是连到原来的IP,host文件也改过了...
- jmeter导入自定义jar包
- 科学计算机怎么玩游戏,计算机也能玩文本游戏
- Java计算机毕业设计电影网站系统设计源码+系统+数据库+lw文档
- UltraEdit各种wordfile下载
- PLARIUM在IOS以及安卓平台发布收集型角色扮演游戏《RAID: SHADOW LEGENDS》
- 旷视API调用识别身份证
- 两级式光伏并网逆变器,DCDC环节采用boost电路,通过增量电导法实现光伏最大功率跟踪MPPT
热门文章
- 王家耀院士:新型智慧城市与时空大数据平台
- 深度信念网络简述(DBN)
- Java下载Excel的模板文件
- 局部搜索法求解K图染色问题(java版)
- Java分布式二手房项目尚好房第一课 搭建环境
- 2022-2027年中国自动化立体仓库行业发展前景及投资战略咨询报告
- android播放提示音工具类(SoundConfigUtils)
- PAT_甲级_1071 Speech Patterns (25point(s)) (C++)【字符串处理/单词统计】
- 现代CMake高级教程 - 第 0 章:命令行小技巧
- Dockerfile 执行 git clone 一直 timeout 或者 server certificate verification failed