【深度学习】眼底图像之视盘和黄斑分割的探索

文章目录
1 Optic Disc 数据集1.1 ORIGA-6501.2 Messidor1.3 RIM-ONE1.4 DRION-DB
2 Multiscale sequential convolutional neural networks for simultaneous detection of fovea and optic disc
3 黄斑分割
4 Post-Process Methods
5 Patched Based Attention Unet Model

1 Optic Disc 数据集

视盘（optic disc）：全称视神经盘，有时候也被成为视神经乳头（optic nerve head）。在普通的彩色眼底相机中，一般最亮的区域就是视盘的位置。

1.1 ORIGA-650

这批数据集归属于新加坡国家眼科中心，主要包含650张彩色眼底图像，每张图像都有视盘和视杯的分割标注，同时还有是否患有青光眼的诊断标注。拥有这批数据的IMED团队，也是目前国内最大的眼科医疗图像组。 ORIGA-650分为两个子集 set A for training 和 set B for testing 每个子集包含了325张图像。

1.2 Messidor

Messidor数据集原本是用来做糖尿病视网膜（diabetic retinopathy， DR）病变检测的，只有糖网的分级标注。后来国外的一个课题组又重新手工标定了视盘的边界，因此目前大家也同样在Messidor数据上做视盘的定位和分割。
The performance of our model on Messidor-dataset：

1.3 RIM-ONE

RIM-ONE一共发布了三个子数据集（RIM-ONE-R1，R2，R3），他们的数量分别是169，455和159张。

1.4 DRION-DB

DRION-DB 做的人特别少，但是这批数据集也有111张图像。大家也可以做一下，就当作一种data augmentation了吧。

PS：ISBI2019也有一个challenge，是关于AMD的分类，其中一个sub-task也是optic disc segmentation，

2 Multiscale sequential convolutional neural networks for simultaneous detection of fovea and optic disc

Deep Learning的方法做视盘和黄斑中心凹的检测
基于的数据库MESSIDOR和Kaggle
图片预处理时，为了避免颜色引入的额外复杂度，都先预处理成灰度图像，然后再做图像增强

分别是灰度图和数据增强后的图像。
网络结构中，先回归出两个矩形区域，分别是视盘和黄斑的矩形区域，然后分别回归出中心。

网络采用比较简单的形式，降采样的程度也不深，只做了两层降采样，这也是可以理解的，毕竟在眼底图像中，黄斑和视盘的范围还是很大的。当然文章感觉也不是那么严禁，要想把4和5对上还挺难的。不过毕竟是提供一种思路，可以自己尝试下

3 黄斑分割

ROSE：视网膜OCTA血管分割数据集

(A) 眼底彩照，绿框为黄斑区域；（B-D）不同深度的OCTA图像。

4 Post-Process Methods

When directly use unet model, we often get some error predictions. So I use a post-process algorithm:predicted area can't be to small.
minimum bounding rectangle's height/width or width/height should be in 0.45~2.5
lefted area is the final output. The problem of this algorithm is that the parameters not self-adjusting, so you have to change them if input image is larger or smaller than before.

5 Patched Based Attention Unet Model

I use a modified Attention Unet which input of model is 128x128pix image patches. When sampling the patches,I focus the algorithm get samples around optic disc.The patches is like that:

【深度学习】眼底图像之视盘和黄斑分割的探索相关推荐

【深度学习】腹部CT的肝脏肿瘤分割的探索
[深度学习]腹部CT的肝脏肿瘤分割的探索文章目录 1 颜色翻转 2 背景 3 U-Net网络 4 Modified U-Net (mU-Net) 5 数据集 6 数据处理及增强 7 结果 8 基于深 ...
【深度学习】图像特征提取与通道数问题（基于U型网络）
[深度学习]图像特征提取与通道数问题(基于U型网络) 1 医学图像特点 2 卷积核与图像特征提取2.1 卷积2.2 图像处理2.3 边缘检测卷积核2.4 图像锐化卷积核2.5 高斯滤波 3 关于图像三 ...
深度学习在图像领域的几大任务
深度学习对于图像的检测共分为4大任务: 从任务需求本身的角度来考虑,由于四个任务的处理结果的信息量依次增加,需要的工具的复杂度会依次增加,因此完成相应任务的难度也会越依次增加. (1)图像分类a--- ...
读“基于深度学习的图像风格迁移研究综述”有感
前言关于传统非参数的图像风格迁移方法和现如今基于深度学习的图像风格迁移方法. 基于深度学习的图像风格迁移方法:基于图像迭代和模型迭代的两种方法的优缺点. 基于深度学习的图像风格迁移方法的存在问题及其 ...
【深度学习】图像自动处理工具SimpleITK的使用（Python）
[深度学习]图像自动处理工具SimpleITK的使用(Python) 文章目录 1 Python安装第三方库SimpleITK 2 SimpleITK处理医学图像 3 图像增强.去噪.边缘检测(Sim ...
【深度学习】图像输入网络必要的处理流程
[深度学习]图像输入网络必要的处理流程文章目录 1 图像处理之灰度转化 2 归一化 3 CLAHE 4 伽马矫正 5 Data augmentation5.1 裁剪(Crop)5.2 缩放ÿ
【深度学习】图像数据集处理常用方法合集（部分基于pytorch）
[深度学习]图像数据集处理常用方法合集(部分基于pytorch) 1 图像数据集预处理的目的1.1 灰度图转化1.2 高斯滤波去除高斯噪声 2 使用双峰法进行图像二值化处理2.1 图像直方图2.2 双 ...
Interview：算法岗位面试—2019秋招校园招聘—算法工程师【机器学习、深度学习(偏图像)】秋招感悟：初期阶段的傲娇→中期阶段的紧张→后期阶段的蜕变
ML岗位面试:2019秋招&校园招聘-算法工程师[机器学习.深度学习(偏图像)]秋招感悟:初期阶段的傲娇→中期阶段的紧张→后期阶段的蜕变 Interview:算法岗位面试-2019秋招& ...
python描述图片内容_深度学习实现图像中文描述
im2txt_Chinese 深度学习实现图像中文描述项目实践 image caption Chinese Deep Learning 简介基于tensorflow的深度学习项目.实现了输入一张图片 ...
【每周CV论文推荐】初学深度学习单张图像三维人脸重建需要读的文章
欢迎来到<每周CV论文推荐>.在这个专栏里,还是本着有三AI一贯的原则,专注于让大家能够系统性完成学习,所以我们推荐的文章也必定是同一主题的. 基于图像的人脸三维重建在人脸分析与娱乐领域里 ...

【深度学习】眼底图像之视盘和黄斑分割的探索

【深度学习】眼底图像之视盘和黄斑分割的探索

1 Optic Disc 数据集

1.1 ORIGA-650

1.2 Messidor

1.3 RIM-ONE

1.4 DRION-DB

2 Multiscale sequential convolutional neural networks for simultaneous detection of fovea and optic disc

3 黄斑分割

4 Post-Process Methods

5 Patched Based Attention Unet Model

【深度学习】眼底图像之视盘和黄斑分割的探索相关推荐

最新文章

热门文章