评估用于眼底图像视盘与视杯分割的由粗到细深度学习模型
计算机视觉与模式识别
2023-02-09 v2
摘要
眼底图像中视盘（OD）与视杯（OC）的自动分割对于高效测量垂直杯盘比（vCDR）具有重要意义，该生物标志物在眼科中常用于判断青光眼性视神经病变的程度。总体而言，这一问题通常通过由粗到细的深度学习算法解决：第一阶段近似定位视盘，第二阶段利用该区域的裁剪图像预测 OD/OC 掩码。尽管该方法在文献中被广泛应用，但尚无研究分析其对结果的真实贡献。本文使用 5 个公共数据库，从标准分割角度以及用于估计 vCDR 以进行青光眼评估的角度，对不同的由粗到细 OD/OC 分割设计进行了全面分析。我们的分析表明，这些算法未必优于标准的多类单阶段模型，尤其是在从足够大且多样的训练集学习时。此外，我们注意到粗阶段取得的 OD 分割结果优于细阶段，且向第二阶段提供 OD 监督对于确保准确的 OC 掩码至关重要。而且，在多数据集设置下训练的单阶段与两阶段模型均取得了与其他 SOTA 方法相当甚至更优的结果，并在 REFUGE 的 OD/OC 分割中排名第一。最后，我们在 AIROGS 图像的一个子集上将模型用于 vCDR 预测并与六名眼科医生进行比较，以在观察者间变异性的背景下理解它们。我们注意到，从单阶段和由粗到细模型恢复的 vCDR 估计即使与专家手动测量相关性不高，也能获得良好的青光眼检测结果。
引用
@article{arxiv.2209.14383,
title = {Assessing Coarse-to-Fine Deep Learning Models for Optic Disc and Cup Segmentation in Fundus Images},
author = {Eugenia Moris and Nicolás Dazeo and Maria Paula Albina de Rueda and Francisco Filizzola and Nicolás Iannuzzo and Danila Nejamkin and Kevin Wignall and Mercedes Leguía and Ignacio Larrabide and José Ignacio Orlando},
journal= {arXiv preprint arXiv:2209.14383},
year = {2023}
}