基于块的输出空间对抗学习用于视盘与视杯联合分割
计算机视觉与模式识别
2019-02-21 v1
摘要
青光眼是不可逆失明的主要原因。从眼底图像中准确分割视盘（OD）和视杯（OC）有助于青光眼的筛查与诊断。近来，卷积神经网络在 OD 与 OC 联合分割中展现出良好进展。然而，受不同数据集间域偏移的影响，深度网络在跨不同扫描仪和机构泛化时受到严重阻碍。本文提出一种新颖的基于块的输出空间对抗学习框架（pOSAL），从不同眼底图像数据集中联合且鲁棒地分割 OD 和 OC。我们首先设计了一个轻量高效的分段网络作为骨干。考虑到 OD 和 OC 的特定形态，提出一种新颖的形态感知分割损失来引导网络生成准确且平滑的分割。我们的 pOSAL 框架随后利用无监督域适应，通过鼓励目标域中的分割结果类似于源域的分割结果来解决域偏移挑战。由于基于整体分割的对抗损失不足以驱动网络捕捉分割细节，我们进一步以基于块的方式设计 pOSAL，以实现对局部分割细节的细粒度判别。我们广泛评估了 pOSAL 框架，并在三个公共视网膜眼底图像数据集（即 Drishti-GS、RIM-ONE-r3 和 REFUGE）上证明了其在提升分割性能方面的有效性。此外，我们的 pOSAL 框架在 MICCAI 2018 视网膜眼底青光眼挑战赛的 OD 和 OC 分割任务中获得第一名。
引用
@article{arxiv.1902.07519,
title = {Patch-based Output Space Adversarial Learning for Joint Optic Disc and Cup Segmentation},
author = {Shujun Wang and Lequan Yu and Xin Yang and Chi-Wing Fu and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:1902.07519},
year = {2019}
}
备注
IEEE Transactions on Medical Imaging (In press)