使用以视盘为中心的块增强进行视盘分割
图像与视频处理
2021-10-04 v1 计算机视觉与模式识别
机器学习
摘要
视盘是眼睛中一个关键的诊断特征，因为其形态变化与各种眼部和心血管疾病的严重程度相关。虽然在彩色眼底图像中识别视盘主体很直接，但在像素级别准确分割其边界非常具有挑战性。在这项工作中，我们提出以视盘为中心的块增强（DCPA）——一种简单但新颖的深度神经网络训练方案——来解决此问题。DCPA 即使在使用小型神经网络时也能在全尺寸图像上达到最先进的结果，具体来说是一个仅有 700 万参数的 U-Net，而非原始的 3100 万参数。在 DCPA 中，我们将训练数据限制为完全包含视神经的块。此外，我们还使用动态代价函数训练网络以增强其鲁棒性。我们在五个视网膜数据集上测试了 DCPA 训练的网络：DRISTI、DRIONS-DB、DRIVE、AV-WIDE 和 CHASE-DB。前两个具有可用的视盘真值，我们手动估计了后三个的真值。我们的方法在四个数据集上取得了最先进的 F1 和 IOU 结果（DRISTI 上 95% F1、91% IOU；DRIVE 上 92% F1、84% IOU；AV-WIDE 上 83% F1、71% IOU；CHASEDB 上 83% F1、71% IOU），在第五个上取得了有竞争力的结果（DRIONS-DB 上 95% F1、91% IOU），证实了它的通用性。我们的开源代码和真值标注可在以下地址获取：https://github.com/saeidmotevali/fundusdisk
引用
@article{arxiv.2110.00512,
title = {Optic Disc Segmentation using Disk-Centered Patch Augmentation},
author = {Saeid Motevali and Aashis Khanal and Rolando Estrada},
journal= {arXiv preprint arXiv:2110.00512},
year = {2021}
}