用于眼底图像视网膜血管分割以实现无标记血管造影的深度神经网络集成
计算机视觉与模式识别
2016-11-17 v1
摘要
在无标记眼底图像中进行视网膜血管的自动分割，在眼科病理学（即糖尿病视网膜病变、高血压疾病和心血管疾病）的计算机辅助诊断中发挥着关键作用。由于血管分布各异，在噪声背景下其物理外观尺寸表现出差异，这一挑战在医学图像分析研究中仍然是一个活跃的问题。在本文中，我们将分割挑战表述为一个分类任务。具体而言，我们采用两层稀疏训练的降噪堆叠自编码器集成来进行无监督层次特征学习。第一层使用 bootstrap 样本训练确保了解耦，第二层由不同网络架构构成的集成确保了架构的修正。我们表明，自编码器的集成训练促进了用于血管分割的视觉核字典学习中的多样性。SoftMax 分类器用于微调每个成员自编码器，并探索了多种策略以实现集成成员的两层融合。在 DRIVE 数据集上，我们实现了 95.33% 的最大平均准确率，标准差极低，为 0.003，Kappa 一致性系数为 0.708。与其他主要算法的比较证实了我们模型的高效性。
引用
@article{arxiv.1609.05871,
title = {Deep Neural Ensemble for Retinal Vessel Segmentation in Fundus Images towards Achieving Label-free Angiography},
author = {Avisek Lahiri and Abhijit Guha Roy and Debdoot Sheet and Prabir Kumar Biswas},
journal= {arXiv preprint arXiv:1609.05871},
year = {2016}
}
备注
Accepted as a conference paper at IEEE EMBC, 2016