基于深度学习的视网膜彩色眼底图像青光眼联合分割与分类框架
计算机视觉与模式识别
2018-08-07 v1 机器学习
摘要
自动化计算机辅助诊断工具可用于青光眼的早期检测，以预防不可逆的视力丧失。在本工作中，我们提出了一种多任务卷积神经网络（CNN），该网络在彩色眼底图像中联合分割视盘（OD）、视杯（OC）并预测青光眼的存在。该CNN利用从OD-OC分割获得的图像外观特征与结构特征的组合来获得鲁棒的预测。较少的网络参数以及CNN特征在多个相关任务上的共享确保了该架构良好的泛化能力，使其能够在小规模训练集上训练。所提方法在使用不同相机和图像分辨率获取的独立验证集上的交叉测试性能良好，OD的平均Dice系数为0.92，OC为0.84，青光眼分类任务的AUC为0.95，显示了其作为青光眼早期检测大规模筛查工具的潜力。
引用
@article{arxiv.1808.01355,
title = {A Deep Learning based Joint Segmentation and Classification Framework for Glaucoma Assesment in Retinal Color Fundus Images},
author = {Arunava Chakravarty and Jayanthi Sivswamy},
journal= {arXiv preprint arXiv:1808.01355},
year = {2018}
}
备注
8 pages, submitted to the REFUGE glaucoma segmentation grand challenge