10

2015 ISBI
Using Deep Learning for Robustness to Parapapillary Atrophy in Optic Disc Segmentation

Method ： 分割视盘，减弱萎缩弧对分割影响
Dataset ： SiMES（230） 2048 × 3072
Architecture : DNN
Results ：overlapping error (9.7%)

Methods

PPA有时候会影响OD的分割如下图

Pipeline

• Optic Disc Detection

  • detected OD center
    先对OD区域进行定位，然后只对定位区域内的像素进行循环变换。
    使用 circular transform 对OD进行检测， 只使用了红色通道（绿色通道会有血管影响）
    直方图均衡化，并对图像做归一化

  • cropped a region of interest (ROI)
    从检测到的OD中心周围的彩色图像中裁剪出感兴趣的区域(ROI) 得到 800×800
    resize到 300 × 300
    进行了对比度有限的自适应直方图均衡化

• Feature Extraction

  • 首先尝试
    基于灰度强度特征，使用 25×25像素正方形中最优图像强度为特征
    靠近边界的像素使用 Mirroring （Unet中也用了）方法得到像素值

  • 添加
    使用基于强度特征不够（OD外部许多区域强度与OD内部相似）
    使用距离特征，即像素到ROI中心的欧氏距离

• OD Segmentation

  • SAE 堆叠式自动编码器
    
    AE是一种经过训练的人工神经网络，用于重建输入。在训练DNN时，首先使用标准的逐层贪婪方式对SAE对应的层进行无监督训练。一旦学习了SAE的权值，就加入监督层，将整个模型训练成前馈-反向传播神经网络，初始权值来自于学习的权值。
    将提取的特征输入训练好的神经网络，分类后，决策值大于0.7(0 - 1)的像素被分类为OD像素。
    用椭圆霍夫变换将椭圆拟合到初始预测中

  • ASM
    该椭圆的边界作为主动形状模型(ASM)的初始化，对检测到的圆盘边界进行微调，得到最终分割结果。

Results

提出了一种利用深度学习进行光盘（OD）分割的新方法，解决 PPA对OD分割的影响

Discussion

D分割的结果显示出比相关的现有技术方法更低的误差
发现单独的强度特征不足以区分PPA和OD，为了解决这个问题，我们还使用了距离特征。
文章对于结果依赖于准确的OD中心检测没有解决
方法太老了，这都n stage 了。。
效果我觉得也一般