18
Computerized Medical Imaging and Graphics
Robust optic disc and cup segmentation with deep learning for glaucoma detection
Method : 分割 OD/OC 计算 CDR
Dataset :train RIGA ;test DRISHTI-GS1 , RIM-ONE
Architecture : Unet (encoder :pre-trained ResNet34)
Results :
DRISHTI-GS1:Dice 视盘 96.44% 视杯 87.39%
Jacc 视盘 93.19% 视杯 78.08%
RIM-ONE :Dice 视盘 94.91% 视杯 79.32%
Jacc 视盘 90.65% 视杯 68.28%
避免了从头开始训练网络,实现了快速网络训练
Methods
视盘和杯的自动分割是以两个阶段的方式实现的
Pre-Processing
Data Augumentation
512×512
第一阶段
单一标签深度学习模型建立和训练以分割视盘
目的:通过粗糙盘分割获得盘中心和直径。
方法:在视盘周围检测到的椎间盘直径的1.5到2倍范围内随机选择四个极值点。随机选择的四个点用于确定提取的ROI的最高,最低,最左和最右。
将检测到的盘周围的局部区域(随机1.5-2直径)提取为感兴趣区域(ROI)
将ROI调整为512×512的尺寸并传递到步骤2以进行精细的视盘和视杯分割
第二阶段
Segmentation
目的:训练多标签修改的U-Net模型以同时获得视盘和杯的精细分割使用预先训练的ResNet34模型作为编码器修改了广泛采用的U-Net架构分为两个阶段
第一阶段
ResNet-34编码器部分的权重被冻结,并且仅上采样解码器部分的权重被优化。
第二阶段
下采样层解冻,学习率为[ e -4, e -3, e -2]用于近输入层,中间层和近输出层。第二阶段训练的目的是微调所有层的权重,最少调整ResNet层,最多调整解码层。
Post Processing
通过形态学 后处理模块进一步处理预测的视盘和视杯分割。
在几个公开可用的青光眼数据集上验证了修改后的U-Net模型的性能
Results
(1)改进的U-Net架构的开发和验证,其中预先训练的ResNet模型作为编码器层;
(2)实现彩色眼底图像的光盘和杯子的全自动精确分割,具有与RIGA数据集专家相媲美的分割性能;
(3)将在RIGA上训练的模型应用于DRISHTI-GS和RIM-ONE V3数据库时,实现了稳健的性能,表明了该模型的鲁棒性和泛化能力。
Discussion
与 DRISHTI-GS数据库相关文献相比,所提方法的视盘和杯分割性能。在没有微调的情况下测试模型时,我们在用于圆盘分割的Jaccard指数和用于杯子分割的Dice系数方面实现了最先进的性能。
质量下降和光盘萎缩图像性能下降的主要原因是该模型是在RIGA数据集上进行训练的,该数据集主要包含高质量图像和普通光盘。
模型迁移性好,没有经过训练的数据集,实现的性能和别的在数据集上训练的模型结果相媲美