利用卷积神经网络从 OCT 图像中实现拓扑保证的人眼视网膜分割
计算机视觉与模式识别
2018-03-15 v1
摘要
光学相干断层扫描（OCT）是一种非侵入性成像模态，可用于获取视网膜的深度图像。因此可通过分析这些 OCT 图像来量化各层厚度的变化，且已表明此类变化与多发性硬化症的疾病进展相关。近期的自动视网膜层分割工具使用机器学习方法进行逐像素标注，并利用图方法保证层层级或拓扑。然而，距离与平滑度约束等图参数必须按视网膜区域与病理实验性指定，从而降低了整个框架的灵活性与时间效率。本文中，我们开发级联深度网络，以单次前馈传播提供视网膜层的拓扑正确分割。第一个网络（S-Net）执行逐像素标注，第二个回归网络（R-Net）接收无拓扑约束的 S-Net 结果，并输出各层各位置处的层厚度。Relu 激活用作 R-Net 的最后操作，保证输出层厚度的非负性。由于分割边界位置通过对相应非负层厚度求和获得，重建边界的层顺序（即拓扑）即使在边界间距可能为零的中央凹处也得以保证。R-Net 使用模拟掩膜训练，因此可泛化以为其他层状结构提供拓扑保证分割。该深度网络取得了与最先进图方法（2.83 μm）相当的平均绝对边界误差（2.82 μm）。
引用
@article{arxiv.1803.05120,
title = {Topology guaranteed segmentation of the human retina from OCT using convolutional neural networks},
author = {Yufan He and Aaron Carass and Bruno M. Jedynak and Sharon D. Solomon and Shiv Saidha and Peter A. Calabresi and Jerry L. Prince},
journal= {arXiv preprint arXiv:1803.05120},
year = {2018}
}