BSDA-Net：一种用于 OCTA 图像分割与分类的边界形状与距离感知联合学习框架
图像与视频处理
2021-07-14 v2 计算机视觉与模式识别
摘要
光学相干断层扫描血管成像（OCTA）是一种新型无创成像技术，可对各视网膜层的血管和中央凹无血管区（FAZ）进行可视化。临床研究表明，FAZ 的形态和轮廓不规则性是多种眼部疾病的重要生物标志物。因此，FAZ 的精确分割具有重要的临床意义。此外，目前尚无研究报道 FAZ 特征能够提升深度诊断分类网络的性能。本文提出一种新颖的多级边界形状与距离感知联合学习框架，称为 BSDA-Net，用于从 OCTA 图像中进行 FAZ 分割与诊断分类。除分割分支外，还构建了两个辅助分支，即边界热图回归分支和带符号距离图重建分支，以提升分割性能，从而获得更精确的 FAZ 轮廓和更少的离群点。此外，将上述三个分支中的低级和高级特征（包括 FAZ 的形状、大小、边界和带符号方向距离图）与诊断分类器的特征进行分层融合。通过大量实验表明，所提出的 BSDA-Net 在 OCTA-500、OCTAGON 和 FAZID 数据集上取得了最先进的分割与分类结果。
引用
@article{arxiv.2107.04823,
title = {BSDA-Net: A Boundary Shape and Distance Aware Joint Learning Framework for Segmenting and Classifying OCTA Images},
author = {Li Lin and Zhonghua Wang and Jiewei Wu and Yijin Huang and Junyan Lyu and Pujin Cheng and Jiong Wu and Xiaoying Tang},
journal= {arXiv preprint arXiv:2107.04823},
year = {2021}
}
备注
12 pages, 4 figures, MICCAI2021 [Student Travel Award]