DDNet：用于视盘与视杯联合分割的笛卡尔-极坐标双域网络
计算机视觉与模式识别
2019-04-19 v1
摘要
现有的视盘与视杯联合分割方法或在笛卡尔坐标系下或在极坐标系下开发。然而，由于视杯细微，即便由主流CNN从单一域中挖掘的上下文信息仍不充分。本文提出一种新颖的分割方法，称为笛卡尔-极坐标双域网络（DDNet），其首次考虑了笛卡尔域与极坐标域的互补性。我们提出双分支域特征编码器，并并行地从笛卡尔域的直角网格学习平移等变表示，以及从极坐标域的极坐标网格学习旋转等变表示。为融合两个不同网格上的特征，我们提出双域融合模块。该模块通过可微极坐标变换层建立两网格间的对应，并以逐元素方式学习跨双域的特征重要性以增强表达能力。最后，解码器从低层到高层聚合融合特征并作出密集预测。我们在公开数据集ORIGA上验证了DDNet的顶尖分割性能。根据分割掩码，我们估计了青光眼常用临床指标即垂直杯盘比。低杯盘比估计误差展示了其在青光眼筛查中的潜在应用。
引用
@article{arxiv.1904.08773,
title = {DDNet: Cartesian-polar Dual-domain Network for the Joint Optic Disc and Cup Segmentation},
author = {Qing Liu and Xiaopeng Hong and Wei Ke and Zailiang Chen and Beiji Zou},
journal= {arXiv preprint arXiv:1904.08773},
year = {2019}
}