基于深度学习的视网膜OCT分割
计算机视觉与模式识别
2018-01-31 v1
摘要
我们的目标是评估使用深度学习（DL）对视网膜光学相干断层扫描（OCT）图像进行自动细粒度分割的方法的有效性。使用了来自公共（迈阿密大学）数据集的10名轻度非增殖性糖尿病视网膜病变患者的OCT图像。每名患者提供五张图像：一张中央凹中心图像、两张中央凹旁图像和两张中央凹周围图像。每张图像由两名专家分级者各自手动标注五个视网膜表面（即视网膜层对之间的边界）。第一名分级者的标注用作金标准，第二名分级者的标注用于计算操作者间一致性。所提出的自动方法使用全卷积网络（FCNs）结合基于高斯过程（GP）的回归作为后处理步骤来分割图像，以改善估计质量。使用10折交叉验证，通过计算自动估计与第一名手动分级者生成的金标准标注之间的逐像素无符号误差（距离）来确定算法性能。我们将所提方法与五种最先进的自动分割技术进行比较。结果表明，所提方法与最先进技术相比具有优势，产生了最小的平均无符号误差值及相应的标准差，且在仅存在轻度视网膜病变时性能可与人类对OCT视网膜层的标注相媲美。结果表明，使用FCNs的语义分割辅以基于回归的后处理，可有效解决轻度视网膜病变下与人类能力相当的OCT分割问题。
引用
@article{arxiv.1801.09749,
title = {Deep Learning based Retinal OCT Segmentation},
author = {Mike Pekala and Neil Joshi and David E. Freund and Neil M. Bressler and Delia Cabrera DeBuc and Philippe M Burlina},
journal= {arXiv preprint arXiv:1801.09749},
year = {2018}
}