基于投票式多任务学习的 OCTA 图像视网膜结构检测
图像与视频处理
2022-08-24 v1 计算机视觉与模式识别
摘要
视网膜血管（RV）、中央凹无血管区（FAZ）和视网膜血管交汇点（RVJ）等视网膜结构的自动检测对于理解眼部疾病和临床决策具有重要意义。本文提出一种新颖的基于投票的自适应特征融合多任务网络（VAFF-Net），用于在光学相干断层扫描血管成像（OCTA）中联合分割、检测和分类 RV、FAZ 与 RVJ。提出了一个任务特定的投票门模块，用于在两个层面上为特定任务自适应地提取和融合不同特征：来自单一编码器的不同空间位置的特征，以及来自多个编码器的特征。特别地，由于 OCTA 图像中微血管的复杂性使得同时精确地对视网膜血管交汇点进行定位并分类为分叉/交叉成为一项具有挑战性的任务，我们专门设计了一个通过结合热图回归与网格分类的任务头。我们利用来自不同视网膜层的三种不同的正面血管造影图（en face angiogram），而非沿用现有仅使用单一 en face 的方法。为促进进一步研究，这些数据集的一部分连同源代码和评估基准已公开发布：https://github.com/iMED-Lab/VAFF-Net。
引用
@article{arxiv.2208.10745,
title = {Retinal Structure Detection in OCTA Image via Voting-based Multi-task Learning},
author = {Jinkui Hao and Ting Shen and Xueli Zhu and Yonghuai Liu and Ardhendu Behera and Dan Zhang and Bang Chen and Jiang Liu and Jiong Zhang and Yitian Zhao},
journal= {arXiv preprint arXiv:2208.10745},
year = {2022}
}