基于多标签深度网络与极坐标变换的视盘与视杯联合分割
计算机视觉与模式识别
2018-02-13 v3
摘要
青光眼是一种导致不可逆视力丧失的慢性眼病。杯盘比（CDR）在青光眼的筛查与诊断中起着重要作用。因此，从眼底图像中准确且自动地分割视盘（OD）与视杯（OC）是一项基础任务。大多数现有方法分别分割二者，并依赖于从眼底图像中手工设计的视觉特征。本文中，我们提出一种名为 M-Net 的深度学习架构，该架构在单阶段多标签系统中联合求解 OD 与 OC 分割。所提出的 M-Net 主要由多尺度输入层、U 形卷积网络、侧输出层和多标签损失函数组成。多尺度输入层构建图像金字塔以实现多层级感受野大小。U 形卷积网络用作主体网络结构以学习丰富的层次化表示，而侧输出层充当早期分类器，为不同尺度层生成伴随的局部预测图。最后，提出多标签损失函数以生成最终分割图。为进一步提升分割性能，我们还引入了极坐标变换，其提供原始图像在极坐标系下的表示。实验表明，我们的 M-Net 系统在 ORIGA 数据集上取得了最先进的 OD 和 OC 分割结果。同时，所提方法在 ORIGA 和 SCES 数据集上依据计算的 CDR 值也获得了令人满意的青光眼筛查性能。
引用
@article{arxiv.1801.00926,
title = {Joint Optic Disc and Cup Segmentation Based on Multi-label Deep Network and Polar Transformation},
author = {Huazhu Fu and Jun Cheng and Yanwu Xu and Damon Wing Kee Wong and Jiang Liu and Xiaochun Cao},
journal= {arXiv preprint arXiv:1801.00926},
year = {2018}
}
备注
Project homepage: http://hzfu.github.io/proj_glaucoma_fundus.html , and Accepted by IEEE Transactions on Medical Imaging