利用双阶段全卷积网络自动分割视盘与视杯
计算机视觉与模式识别
2019-02-14 v1
摘要
在视网膜眼底图像上自动分割视杯与视盘，是青光眼自动检测/分析的基础。传统分割方法严重依赖手工特征与用户先验知识。因此，这些方法难以适应临床环境。近来，基于全卷积网络(FCNs)的深度学习方法已成功解决分割问题。然而，在处理医学图像时，对大量标注训练数据的依赖成为问题。若无法获得覆盖所有可能变异的足量标注训练数据，FCNs 不能提供准确分割。此外，FCNs 在卷积层中具有较大感受野，因而产生粗糙的边界输出。因此，我们提出一种称为双阶段全卷积网络(DSFCN)的新的全自动方法。我们的方法利用深度残差架构与 FCNs，并以逐步方式和细粒度细节学习并推断视杯与视盘的位置。在训练期间，我们的方法从训练数据及前一次迭代得出的估计结果中学习。从前一次迭代学习的能力优化了视杯与视盘边界的学习。在测试(预测)期间，DSFCN 使用测试(输入)图像及前几次迭代得出的估计概率图来逐步提升分割精度。我们的方法在视杯与视盘分割上分别取得 0.8488 与 0.9441 的平均 Dice 系数，以及在青光眼检测上取得 0.9513 的曲线下面积(AUC)。
引用
@article{arxiv.1902.04713,
title = {Automated Segmentation of the Optic Disk and Cup using Dual-Stage Fully Convolutional Networks},
author = {Lei Bi and Yuyu Guo and Qian Wang and Dagan Feng and Michael Fulham and Jinman Kim},
journal= {arXiv preprint arXiv:1902.04713},
year = {2019}
}
备注
REFUGE Challenge