OCT病灶分割论文泛读

1.Automated Classification between Age-related Macular Degeneration and Diabetic Macular Edema in OCT Image Using Image Segmentation

作者：Jathurong Sugruk, Supaporn Kiattisin and Adisorn Lee1asantitham
来源：The 2014 Biomedical Engineering International Conference
摘要：提出了一种基于图像分割和二分类的方法对AMD和DME的OCT图像进行分类。分类的过程中涉及到病灶的定位和病灶特征的提取。实验过程中，10张AMD和6张DME的图像，分类准确率为87.5%。

病灶位置确定

2.Automated drusen segmentation and quantification in SD-OCT images

作者：Qiang Chen，Department of Radiology, Stanford University
来源：Medical Image Analysis 2013
摘要：提出了一种自动分割玻璃膜疣的方法，同时结合正常视网膜的形态和结构特征作为分割的先验信息。同时为了更准确地分割玻璃膜疣的边界，采用了将三维OCT图像投影得到眼底图像的方法。
本文提出方法流程图：

数据：143只眼睛的体数据，其中99只为干性AMD患者。采集设备为CirrusHD-OCT 4000 device (Carl Zeiss Meditec, Inc., Dublin, CA)，每个体数据包含128张512*1024的图像。
分割结果：

3.Automated drusen segmentation in fundus images for diagnosing age related macular degeneration

作者：M. Usman Akram, Sundus Mujtaba*, Anam Tariq
来源：2013 IEEE
摘要：本文提出了一种自动分割彩色眼地图中AMD病灶区域的方法。该方法首先定位可能的AMD区域，之后在这些区域中提出特征，使用SVM判断其是否属于AMD。

滤波器组为Gabor Filter Banks。
数据：STARE数据库，400张700*605的图像，其中有58张AMD患者的图像。
分割结果：

4.Automated intraretinal segmentation of SDOCT images in normal and age-related macular degeneration eyes

作者：LUIS DE SISTERNES
来源：2017 BOE
摘要：本文提出了一种自动分割AMD患者视网膜OCT黄斑图像的方法。该方法采用基于加权中值滤波的迭代边界分割算法获得视网膜的10条边界线。实验结果表明，针对健康图像和AMD患者图像的分割准确率分别为98.15%和97.78%。

数据：114个健康人眼和255个AMD患者人眼数据。
分割结果：

MUE：mean unsigned positioning error

5.Transfer learning based classification of optical coherence tomography images with diabetic macular edema and dry age-related macular degeneration

作者：S. P. K. KARRI
来源：2017 BOE
摘要：本文通过Fine-turning在ImagNet上预训练的GoogleNet来识别视网膜中的病变部位。该算法的目标在于表明在非医学图像上训练的CNN能够经过Fine-turns用于医学图像的处理。本文中处理对象为AMD和DME患者的OCT图像。
数据：15个AMD、15个DME和15个正常人的体数据，来自杜克大学的实验室。每个类型中选出8个体数据作为训练集。
实验结果：

未来的工作会将这些不同的响应合并成一个响应图像，以便更好地表示病灶区域

6.Machine learning based detection of agerelated macular degeneration (AMD) and diabetic macular edema (DME) from optical coherence tomography (OCT) images

作者：YU WANG Chinese Academy of Sciences（中国科学院）
来源：2016 BOE
摘要：本文提出了一种基于机器学习的方法对AMD、DME和正常人的OCT图像进行分类。分类中所使用的特征基于LCP和空间金字塔，同时使用Correlation-based Feature Subset（CFS）对特征进行选择，最后使用sequential minimal optimization（SMO，序列最小优化算法）进行分类，获得了99.3%的准确率。
算法流程图如下：

数据：来自杜克大学的VIP实验室。数据包含15个AMD、15个DME和15个正常人的体数据。
实验分析：

7.Automated Staging of Age-Related Macular Degeneration Using Optical Coherence Tomography

作者：Freerk G. Venhuizen
来源：2017 IOVS
摘要：本文实现了一种基于机器学习的AMD患病程度的自动分级系统。该系统可以在不对层次进行分割的情况下将AMD患者的OCT图像分为5个不同的阶段：无AMD、早期AMD、中期AMD、晚期AMD+青光眼、晚期AMD+CNV。
不同阶段AMD患者图像示例：

方法流程图：

数据：
来自1016个患者的3265个体数据，数据来源于European Genetic Database
实验结果：

8.Fully automated detection of diabetic macular edema and dry age-related macular degeneration from optical coherence tomography images

作者：Pratul P. Srinivasan Duke University
来源：2014BOE
摘要：本文提出了一种基于HOG算子和SVM的OCT图像分类方法，将患者图像分为AMD、DME和正常三个类别，三个类别的分类准确率为100%、100%、86.67%。
流程图：

数据：来自杜克大学的正常、AMD和DME患者体数据各15个。
实验结果：