利用迁移学习与定制损失函数从视网膜图像中分割视盘
图像与视频处理
2020-10-02 v1 计算机视觉与模式识别
摘要
从视网膜图像中准确分割视盘对于提取可能与青光眼等视网膜疾病高度相关的视网膜特征至关重要。本文中，我们提出一种基于深度学习的方法，能够在给定高精度视网膜眼底图像时分割视盘。我们的方法利用基于 UNET 的模型，其编码器为在 ImageNet 数据集上训练的 VGG16。本研究的独到之处在于对 VGG16 模型的定制、所采用数据集的多样性、视盘分割耗时、所用损失函数以及训练模型所需参数数量。我们的方法在七个公开可用数据集以及一个来自私人诊所的数据集上进行了测试，后者由两名视光学博士通过为此目的构建的网络门户进行标注。我们在 0.03 秒内实现了视网膜图像视盘分割准确率 99.78% 和 Dice 系数 94.73%。综合实验所得结果表明，我们的方法对不同来源视网膜图像的视盘分割具有鲁棒性。
引用
@article{arxiv.2010.00583,
title = {Utilizing Transfer Learning and a Customized Loss Function for Optic Disc Segmentation from Retinal Images},
author = {Abdullah Sarhan and Ali Al-KhazÁly and Adam Gorner and Andrew Swift and Jon Rokne and Reda Alhajj and Andrew Crichton},
journal= {arXiv preprint arXiv:2010.00583},
year = {2020}
}
备注
Accepted by ACCV 2020