Uncertainty-aware retinal layer segmentation in OCT through probabilistic signed distance functions
图像与视频处理
2024-12-09 v1 人工智能
计算机视觉与模式识别
摘要
在本文中，我们提出了一种基于概率有符号距离函数（SDF）的OCT扫描中不确定性感知视网膜层分割新方法。传统的逐像素方法和基于回归的方法分别在精确分割和几何基础方面存在困难。为解决这些不足，我们的方法通过水平集预测有符号距离函数（SDF）来有效参数化视网膜层形状。我们进一步通过整合概率建模来增强框架，对形状参数化中的不确定性应用高斯分布。这确保了即使在存在模糊输入、成像噪声和不可靠分割的情况下，也能鲁棒地表示视网膜层形态。定量和定性评估均表明该方法优于其他方法。此外，我们在OCT扫描中常见的各种噪声类型——阴影、眨眼、散斑和运动——的人工失真数据集上进行了实验，以展示我们不确定性估计的有效性。我们的发现表明可以获得可靠的视网膜层分割，以及朝向表征层完整性的初步步骤，而层完整性是疾病进展的关键生物标志物。我们的代码可在 https://github.com/niazoys/RLS_PSDF 获取。
引用
@article{arxiv.2412.04935,
title = {Uncertainty-aware retinal layer segmentation in OCT through probabilistic signed distance functions},
author = {Mohammad Mohaiminul Islam and Coen de Vente and Bart Liefers and Caroline Klaver and Erik J Bekkers and Clara I. Sánchez},
journal= {arXiv preprint arXiv:2412.04935},
year = {2024}
}