利用 P-Net 编码结构-纹理关系用于视网膜图像异常检测
图像与视频处理
2020-08-11 v1 计算机视觉与模式识别
摘要
视网膜图像中的异常检测指的是仅利用训练阶段中的正常图像，来识别由各种视网膜疾病/病灶引起的异常。来自健康受试者的正常图像通常具有规则结构（例如，眼底图像中结构化的血管，或光学相干断层扫描图像中结构化的解剖结构）。相反，疾病和病灶常破坏这些结构。受此启发，我们提出利用图像纹理与结构之间的关系来设计用于异常检测的深度神经网络。具体而言，我们首先提取视网膜图像的结构，然后将结构特征与从原始健康图像提取的最后一层特征相结合，以重建原始输入的健康图像。图像特征提供纹理信息并保证从结构恢复出的图像的唯一性。最后，我们进一步利用重建图像提取结构，并度量从原始图像与重建图像提取的结构之间的差异。一方面，最小化重建差异起到正则化作用，保证图像被正确重建。另一方面，此类结构差异也可用作正常性度量的指标。整个网络因其“P”形而被命名为 P-Net。在 RESC 数据集和 iSee 数据集上的大量实验验证了我们的方法在视网膜图像异常检测中的有效性。此外，我们的方法也能很好地推广到视网膜图像中的新类别发现以及真实世界图像中的异常检测。
引用
@article{arxiv.2008.03632,
title = {Encoding Structure-Texture Relation with P-Net for Anomaly Detection in Retinal Images},
author = {Kang Zhou and Yuting Xiao and Jianlong Yang and Jun Cheng and Wen Liu and Weixin Luo and Zaiwang Gu and Jiang Liu and Shenghua Gao},
journal= {arXiv preprint arXiv:2008.03632},
year = {2020}
}