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