一种用于 OCT 图像视网膜层分割的深度学习框架
计算机视觉与模式识别
2018-06-26 v1
摘要
从光学相干断层扫描(OCT)体数据中分割视网膜层是任何计算机辅助诊断算法开发的基础问题。这需要预处理步骤,如去噪、感兴趣区域提取、展平与边缘检测,所有这些步骤都涉及独立的参数调优。在本文中,我们探索深度学习技术以自动化所有这些步骤并处理病变的存在/缺失。提出了一种由卷积神经网络(CNN)与长短期记忆网络(LSTM)组合构成的模型。CNN 用于提取感兴趣层图像并提取边缘,而 LSTM 用于追踪层边界。该模型使用极少的数据在正常人眼与年龄相关性黄斑变性(AMD)病例的混合数据上训练。在三个公开数据集上的验证结果表明,我们系统获得的像素级平均绝对误差为 1.30±0.48,低于标记者间误差 1.79±0.76。我们模型的性能也与现有方法相当。
引用
@article{arxiv.1806.08859,
title = {A deep learning framework for segmentation of retinal layers from OCT images},
author = {Karthik Gopinath and Samrudhdhi B Rangrej and Jayanthi Sivaswamy},
journal= {arXiv preprint arXiv:1806.08859},
year = {2018}
}
备注
Accepted in The 4th Asian Conference on Pattern Recognition (ACPR 2017)