05

automatic optic disk and cup segmentation of fundus images using deep learning

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 → 160center crop of 1200 × 1600training 160validation 10test 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