JOINED：用于联合视盘/视杯分割与中心凹检测的先验引导多任务学习
图像与视频处理
2022-03-02 v1 计算机视觉与模式识别
摘要
眼底照相已被常规用于记录各种视网膜退行性疾病（如年龄相关性黄斑变性、青光眼和糖尿病视网膜病变）的存在与严重程度，其中中心凹、视盘（OD）和视杯（OC）是重要的解剖标志。识别这些解剖标志具有重要的临床意义。然而，视网膜退变过程中出现的病变、玻璃膜疣及其他异常会严重复杂化自动标志检测与分割。现有大多数工作将每个标志的识别视为单一任务，且通常不利用任何临床先验信息。在本文中，我们提出了一种名为 JOINED 的新方法，用于先验引导的多任务学习，以联合进行视盘/视杯分割与中心凹检测。除了分割分支和检测分支外，我们还构建了一个用于距离预测的辅助分支，以有效利用每个图像像素到感兴趣标志的距离信息。我们提出的 JOINED 流程包含一个粗阶段和一个精阶段。在粗阶段，我们通过一个联合分割与检测模块获得视盘/视杯的粗分割结果和中心凹的热图定位。随后，我们裁剪感兴趣区域以进行后续精细处理，并使用粗阶段获得的预测作为额外信息，以获得更好的性能和更快的收敛速度。实验结果表明，我们提出的 JOINED 在公开的 GAMMA、PALM 和 REFUGE 眼底图像数据集上优于现有的最先进方法。此外，JOINED 在 MICCAI2021 研讨会 OMIA8 主办的 GAMMA 挑战赛的视盘/视杯分割和中心凹检测任务中排名第五。
引用
@article{arxiv.2203.00461,
title = {JOINED : Prior Guided Multi-task Learning for Joint Optic Disc/Cup Segmentation and Fovea Detection},
author = {Huaqing He and Li Lin and Zhiyuan Cai and Xiaoying Tang},
journal= {arXiv preprint arXiv:2203.00461},
year = {2022}
}
备注
16 pages, 3 figures, Published in Medical Imaging with Deep Learning (MIDL) 2022