04

Integrated Optic Disc and Cup Segmentation with Deep Learning

2015 年比较老
分割问题 ： 青光眼筛查，视盘分割，视杯分割
Dataset：两个大型真实数据库上的测试（SEED-DB / MESSIDOR）
Architecture： 定位 Daubechies wavelet transform method + 去掉血管 + 9-layer CNN（3conv+3maxpooling+2FC）

Methods

我们描述了一个综合的解决方案，基于应用卷积神经网络特征夸大输入强调视盘苍白无血管阻塞，以及血管扭曲的程度。生成的原始概率图，然后进行鲁棒细化程序，考虑到视网膜结构的先验知识。通过对这些概率图的分析，我们可以得到一个关于分割正确性的置信度估计，这可以用来指导最具挑战性的手工检查案例。

过程：

• localization
  粗定位视盘，返回典型视盘宽度的两倍左右的正方形
  方法： Daubechies wavelet transform method

• conversion
  去掉血管，将图像转换为适合视盘和杯状分割的表示形式

  • obtain a mask of the vessels by trench detection
  • 来自血管掩膜外的可信视盘背景像素填充掩膜血管像素

• classification
  转换后图像按照像素分成三类（也就是分割）
  方法：CNN 产生 a pixel-level probability map
  
  

• segmentation
  分割的map 预测视盘和视杯的边界

CNN概率图预测可能存在噪声
概率地图输出从CNN第一次平均四个输入方向(θ=0,90,180,270),高斯模糊(σ= 21)消除噪音
应用动态规划找到最佳路径

Results

on-overlap ratio (NOR) m1衡量分割区域与ground truth重叠的程度

δ 杯盘比与ground truth杯盘比区别

Discussion

contribution

• 用CNN分割视盘和视杯
• 描述了一个量化分割噪声的指标，它允许我们标记特别具有挑战性的图像进行手工检查。
• 绝对杯盘垂直误差和非重叠比指标上优于所有其他已知的方法
• 定位部分和去掉血管部分可以采用更好更高级更新的方法，本文方法是四阶段的，有点多

epoch size of 1.5 million ？？？？