〖医学图像处理：青光眼眼底图像系列论文〗（1）：基于多标签深度网络和极坐标变换的联合视盘和视杯分割

青光眼眼底系列【1】

2018 T-MI (IEEE Transactions on Medical Imaging )
Joint Optic Disc and Cup Segmentation Based on Multi Label Deep Network and Polar Transformation

Method ： 分割 joint视盘视杯，计算杯盘比 one-stage multi-label
Dataset ：ORIGA 、 SCES
Architecture : M-Net
Results ：分割结果 : ORIGA数据集 overlapping error OD （0.07）、OC（0.23）
     CDE计算 : AUC ORIGA （0.85） 、 SCES（0.90）

有不少数学公式、图片转换成极坐标系

Methods

杯盘比（CDR）在青光眼的筛查和诊断中起重要作用。
从眼底图像准确和自动地分割视盘（OD）和视杯（OC）是一项基本任务。

CDR related work

CDR由垂直杯直径（VCD）与垂直盘直径（VDD）的比率计算。一般而言，较大的CDR表明青光眼的风险较高，反之亦然。准确的OD和OC分割对CDR测量至关重要。
(一些方法从三维 OCT 自动测量视盘视杯，但是成本高， 所以做眼底图分割）

主要的分割技术包括颜色和对比度阈值处理，边界检测和区域分割方法。

• 大多数现有方法基于手工制作的特征（例如，RGB颜色，纹理，Gabor滤波器和梯度），其缺乏充分的辨别性表示并且容易受病理区域和低对比度质量的影响。

• 大多数方法分别对OD和OC进行分段，即首先分段OD，然后是OC而不考虑它们的相互关系。

• 在本文中，我们提出了一种名为M-Net的深度学习体系结构，它在 one-stage multi-label 系统中共同解决OD和OC分割问题。

视盘分割 related work

• 基于模板的方法来获得OD边界
  主动轮廓模型，基于图像梯度检测轮廓

• 基于循环的变换技术来获得OD边界

• 利用多维特征空间中每个感兴趣点周围的局部纹理特征来提供抵抗OD区域变化的鲁棒性

• 基于像素分类的方法将边界检测问题转换为像素分类任务

• …

视杯分割 related work

低对比度边界

• 依赖 hand-crafted visual 特征

联合视盘 视杯分割 related work

• 大多数现有方法仅关注单区域分割（即，OC或OD）
  但是问题是，视杯和视盘是有关系的。对于视盘分割，OD边界可以提供一些有用的先验信息，例如形状约束和结构约束

顺序方式分离OD和OC，并且多为多步深度系统

M-Net Pipeline

• 自动光盘检测方法定位光盘中心

• 然后根据检测到的光盘中心将原始眼底图像转移到极坐标系中
  来改善OD和OC分割性能。逐像素极化变换将原始眼底图像转移到极坐标系

• 空间约束
  有用的几何约束是OC应该在OD区域内，极坐标变换 呈现有序的层结构 是基于层的分割方法，可以用作后处理。

• 等效增强
  逐像素映射，原始眼底图像上的数据增强等效于极坐标上的数据增益

• 平衡杯盘比
  极性变换基于OD中心平坦图像，可以通过插值扩大杯区域并增加OC比例。平衡区域有助于避免模型训练期间的过度拟合

400 × 400

• 然后将传输的图像输入我们的M-Net，并生成OD和OC区域的多标签概率图

M-Net

• Multi-Scale input layer
  多尺度输入层构造图像金字塔以实现多级感受野大小

• U-Net
  用作主体网络结构以学习丰富的分层表示

• Side-Output Layer
  侧输出层用作早期分类器，其产生用于不同尺度层的伴随局部预测图

• Multi-Label Loss Function
  多标签损失函数来生成最终的分割图

• 最后，逆极转换将分割图恢复回笛卡尔坐标。

Results

• 提出了一种 multi-label 网络
  能自动联合OD和OC分割，end to end，basenet是Unet，输出产生分割概率图

• 提出了一种 multi-label Loss function
  针对联合OD和OC分割， 基于 Dice coefficient ，处理眼底图像像素分割的多标签和不平衡数据

• 将眼底图像转换为极坐标系
  使用polar transformation
  来实现空间约束，等效增强和平衡杯比例，提高了分割性能。

• 评估 M-Net

  • 分割效果: 在ORIGA数据集上是最好效果
    OD和OC分割的 overlapping error 分别为0.07和0.23

  我们将M-Net与几种最先进的OD / OC分割方法进行比较

  加 joint更好，加 PT 更好

  • CDE计算: 在ORIGA和SCES数据集上获得了最高性能
    曲线下面积（AUC）为0.85和0.90

Discussion

• M-Net的输出是OD和OC的2通道后验概率图 。
  OD、OC、背景 不应该是三类吗？？难道和Joint有关？？

看图明白了他一张图是 OD 和背景，一张图是 OC和背景。经过 multi-label map 变成三类

• 时间 ： 5个小时训练 ，仅需花费0.5 秒 以产生用于一个眼底图像，更快

• 评估了所提方法的可重复性

• 临床测量
  垂直盘和杯可以获得比水平更高的精度

原文链接：https://blog.csdn.net/qq_31622015/article/details/91317646

相关代码可到这里下载：代码链接

青光眼眼底系列【1】

2018 T-MI (IEEE Transactions on Medical Imaging )
Joint Optic Disc and Cup Segmentation Based on Multi Label Deep Network and Polar Transformation

Method ： 分割 joint视盘视杯，计算杯盘比 one-stage multi-label
Dataset ：ORIGA 、 SCES
Architecture : M-Net
Results ：分割结果 : ORIGA数据集 overlapping error OD （0.07）、OC（0.23）
     CDE计算 : AUC ORIGA （0.85） 、 SCES（0.90）

有不少数学公式、图片转换成极坐标系

Methods

杯盘比（CDR）在青光眼的筛查和诊断中起重要作用。
从眼底图像准确和自动地分割视盘（OD）和视杯（OC）是一项基本任务。

CDR related work

CDR由垂直杯直径（VCD）与垂直盘直径（VDD）的比率计算。一般而言，较大的CDR表明青光眼的风险较高，反之亦然。准确的OD和OC分割对CDR测量至关重要。
(一些方法从三维 OCT 自动测量视盘视杯，但是成本高， 所以做眼底图分割）

主要的分割技术包括颜色和对比度阈值处理，边界检测和区域分割方法。

• 大多数现有方法基于手工制作的特征（例如，RGB颜色，纹理，Gabor滤波器和梯度），其缺乏充分的辨别性表示并且容易受病理区域和低对比度质量的影响。

• 大多数方法分别对OD和OC进行分段，即首先分段OD，然后是OC而不考虑它们的相互关系。

• 在本文中，我们提出了一种名为M-Net的深度学习体系结构，它在 one-stage multi-label 系统中共同解决OD和OC分割问题。

视盘分割 related work

• 基于模板的方法来获得OD边界
  主动轮廓模型，基于图像梯度检测轮廓

• 基于循环的变换技术来获得OD边界

• 利用多维特征空间中每个感兴趣点周围的局部纹理特征来提供抵抗OD区域变化的鲁棒性

• 基于像素分类的方法将边界检测问题转换为像素分类任务

• …

视杯分割 related work

低对比度边界

• 依赖 hand-crafted visual 特征

联合视盘 视杯分割 related work

• 大多数现有方法仅关注单区域分割（即，OC或OD）
  但是问题是，视杯和视盘是有关系的。对于视盘分割，OD边界可以提供一些有用的先验信息，例如形状约束和结构约束

顺序方式分离OD和OC，并且多为多步深度系统

M-Net Pipeline

• 自动光盘检测方法定位光盘中心

• 然后根据检测到的光盘中心将原始眼底图像转移到极坐标系中
  来改善OD和OC分割性能。逐像素极化变换将原始眼底图像转移到极坐标系

• 空间约束
  有用的几何约束是OC应该在OD区域内，极坐标变换 呈现有序的层结构 是基于层的分割方法，可以用作后处理。

• 等效增强
  逐像素映射，原始眼底图像上的数据增强等效于极坐标上的数据增益

• 平衡杯盘比
  极性变换基于OD中心平坦图像，可以通过插值扩大杯区域并增加OC比例。平衡区域有助于避免模型训练期间的过度拟合

400 × 400

• 然后将传输的图像输入我们的M-Net，并生成OD和OC区域的多标签概率图

M-Net

• Multi-Scale input layer
  多尺度输入层构造图像金字塔以实现多级感受野大小

• U-Net
  用作主体网络结构以学习丰富的分层表示

• Side-Output Layer
  侧输出层用作早期分类器，其产生用于不同尺度层的伴随局部预测图

• Multi-Label Loss Function
  多标签损失函数来生成最终的分割图

• 最后，逆极转换将分割图恢复回笛卡尔坐标。

Results

• 提出了一种 multi-label 网络
  能自动联合OD和OC分割，end to end，basenet是Unet，输出产生分割概率图

• 提出了一种 multi-label Loss function
  针对联合OD和OC分割， 基于 Dice coefficient ，处理眼底图像像素分割的多标签和不平衡数据

• 将眼底图像转换为极坐标系
  使用polar transformation
  来实现空间约束，等效增强和平衡杯比例，提高了分割性能。

• 评估 M-Net

  • 分割效果: 在ORIGA数据集上是最好效果
    OD和OC分割的 overlapping error 分别为0.07和0.23

  我们将M-Net与几种最先进的OD / OC分割方法进行比较

  加 joint更好，加 PT 更好

  • CDE计算: 在ORIGA和SCES数据集上获得了最高性能
    曲线下面积（AUC）为0.85和0.90

Discussion

• M-Net的输出是OD和OC的2通道后验概率图 。
  OD、OC、背景 不应该是三类吗？？难道和Joint有关？？

看图明白了他一张图是 OD 和背景，一张图是 OC和背景。经过 multi-label map 变成三类

• 时间 ： 5个小时训练 ，仅需花费0.5 秒 以产生用于一个眼底图像，更快

• 评估了所提方法的可重复性

• 临床测量
  垂直盘和杯可以获得比水平更高的精度