利用 CycleGAN 有效降低 OCT 设备间图像差异并改进视网膜积液分割
计算机视觉与模式识别
2019-01-28 v2
摘要
光学相干断层扫描（OCT）已成为眼科学中最重要的成像方式。近期大量研究致力于开发机器学习（ML）模型，以识别和量化 OCT 图像中的病理特征。在 ML 模型必须应对的若干变异性来源中，主要因素之一是采集设备，这可能限制 ML 模型的泛化能力。在本文中，我们提出使用 CycleGAN（一种无监督非配对图像变换算法）来降低不同 OCT 设备（Spectralis 与 Cirrus）间的图像变异性。该方法的实用性在视网膜积液分割任务中得到评估，即视网膜内囊样积液（IRC）和视网膜下积液（SRF）。首先，我们在源 OCT 设备采集的图像上训练分割模型。随后我们在（1）源图像、（2）目标图像以及（3）目标 OCT 图像的变换版本上评估该模型。所提出的变换策略在 IRC（SRF）分割上分别取得了 0.4（0.51）的 F1 分数。相较于传统变换方法，这意味着 F1 分数提升了 0.2（0.12）。
引用
@article{arxiv.1901.08379,
title = {Using CycleGANs for effectively reducing image variability across OCT devices and improving retinal fluid segmentation},
author = {Philipp Seeböck and David Romo-Bucheli and Sebastian Waldstein and Hrvoje Bogunović and José Ignacio Orlando and Bianca S. Gerendas and Georg Langs and Ursula Schmidt-Erfurth},
journal= {arXiv preprint arXiv:1901.08379},
year = {2019}
}
备注
* Contributed equally (order was defined by flipping a coin) --------------- Accepted for publication in the "IEEE International Symposium on Biomedical Imaging (ISBI) 2019"