面向视盘光学相干断层扫描图像无标签三维分割的深度学习研究
图像与视频处理
2020-02-25 v1 计算机视觉与模式识别
机器学习
摘要
自光学相干断层扫描（OCT）问世以来，研究随青光眼进展而发生的视盘（ONH）组织复杂 3D 形态变化成为可能。尽管近来提出了若干深度学习（DL）技术用于这些形态变化的自动提取（分割）与量化，但其设备特异性本质及制备手动分割（训练数据）的困难限制了临床采用。随着若干新制造商与下一代 OCT 设备进入市场，临床部署 DL 算法的复杂性只增不减。为此，我们提出一种基于 DL 的 3D 分割框架，其可以无标签方式（即无需为每个设备手动重新分割数据）轻松跨 OCT 设备迁移。具体而言，我们开发了 2 组 DL 网络。第一组（称为增强器）能够增强来自 3 台 OCT 设备的 OCT 图像质量，并调和这些设备间的图像特征。第二组执行 6 个重要 ONH 组织层的 3D 分割。我们发现增强器的使用对我们的分割网络实现设备无关性至关重要。换言之，我们的 3D 分割网络在 3 台设备中任一台上训练后，可成功以高性能（Dice 系数 > 0.92）分割另两台设备的 ONH 组织层。借助此方法，我们可自动分割来自新 OCT 设备的图像，而无需此类设备的手动分割数据。
引用
@article{arxiv.2002.09635,
title = {Towards Label-Free 3D Segmentation of Optical Coherence Tomography Images of the Optic Nerve Head Using Deep Learning},
author = {Sripad Krishna Devalla and Tan Hung Pham and Satish Kumar Panda and Liang Zhang and Giridhar Subramanian and Anirudh Swaminathan and Chin Zhi Yun and Mohan Rajan and Sujatha Mohan and Ramaswami Krishnadas and Vijayalakshmi Senthil and John Mark S. de Leon and Tin A. Tun and Ching-Yu Cheng and Leopold Schmetterer and Shamira Perera and Tin Aung and Alexandre H. Thiery and Michael J. A. Girard},
journal= {arXiv preprint arXiv:2002.09635},
year = {2020}
}