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