05
automatic optic disk and cup segmentation of fundus images using deep learning
2018
Method :分割,视盘视杯,杯盘比 ; one-stage
Dataset :Drishti-GS (160 training/10 validation / 51 testing)
Architecture : FCN
Results :Fscore
本文对于视杯视盘分割的related work 写的挺好挺全
Methods
眼底图像中视盘(OD)和杯状区域的自动分割 (CDR至少为0.65被认为是青光眼)
研究了CNN利用多个医生注释,对不同区域的像素进行优先级排序的各种策略。
- Dataset
-
Augment
水平垂直翻转,40 training set → 160
- center crop of 1200 × 1600
- training 160
- validation 10
- test 51
-
- FCN
- stride = 8
- 数据量小(101),所以在 ImageNet 上 pre-train 的模型
- drop out 0.5 (fc6/fc7)
-
use weighted loss based on mask
做了五个对比实验
- Exp1 :只有 ground truth
- Exp2 :ground truth + weight mask
- Exp3 :ground truth + boundary weight mask
- Exp4 :ground truth + ignore disagreement
- Exp5 :ground truth + soft disagreement weights
- Post-processing
- 减少FP,生成干净的边界
- use a filtering module on top of the network predictions
- 移除小于100像素的region
- 过滤掉 cup不在disk的情况
- (选) 用椭圆近似等高线点来获得光滑边界
Results
自己实验比:
-
训练集
exp4 更好
-
测试集
Exp1 更好,exp4应该是过拟合了
和其他paper比:
cup分割明显更好,disk 和其他的比差不多(作者说是因为专家之间分歧以及标记的低模糊性)
Discussion
当 disk,cup,背景像素之间没有 visible boundary 的时候,bed
- 提出了一种基于FCN8s结构的全分辨率图像深神经网络杯盘分割系统。
- 在优化边界检索的训练过程中,提出了利用多个专家标注和确定特定区域优先级的策略。
不足
- 未来的工作重点是使用网络剪枝技术进行参数约简、推理加速,并提出一个紧凑的体系结构。
- 对于mask 那块有点乱。。感觉写的。。没看太明白