FourierNet：用于光学相干断层扫描图像中 Henle 纤维层分割的保形网络
计算机视觉与模式识别
2023-03-01 v1
摘要
视网膜中的 Henle 纤维层（HFL）携带有关眼睛黄斑状况的宝贵信息。然而在常规实践中，该层并不被单独分割，而是归入外核层，因为在标准光学相干断层扫描（OCT）成像上难以辨识 HFL 轮廓。由于其在成像光束下反射率可变，勾画 HFL 轮廓需要方向性 OCT，而这需额外成像。本文通过引入保形网络 FourierNet 解决此问题，该网络在标准 OCT 扫描中达到使用方向性 OCT 扫描时的目标性能。FourierNet 是一种新的级联网络设计，提出在网络训练中利用 HFL 的形状先验。该设计提议通过在 HFL 轮廓上提取 Fourier 描述子并定义学习这些描述子的额外回归任务来表示形状先验。随后它将 HFL 分割表述为回归与分类任务的并发学习，其中从输入图像估计 Fourier 描述子以编码形状先验，并与输入图像一起用于构建 HFL 分割图。我们在 30 次 OCT 扫描的 1470 张图像上的实验表明，用 Fourier 描述子量化 HFL 形状并与 HFL 分割主任务并发学习可带来更好结果。这表明设计保形网络以减少方向性 OCT 成像需求、改善 HFL 分割的有效性。
引用
@article{arxiv.2201.06435,
title = {FourierNet: Shape-Preserving Network for Henle's Fiber Layer Segmentation in Optical Coherence Tomography Images},
author = {Selahattin Cansiz and Cem Kesim and Sevval Nur Bektas and Zeynep Kulali and Murat Hasanreisoglu and Cigdem Gunduz-Demir},
journal= {arXiv preprint arXiv:2201.06435},
year = {2023}
}