【深度学习】眼底图像之视盘和黄斑分割的探索

【深度学习】眼底图像之视盘和黄斑分割的探索

文章目录 1 Optic Disc 数据集 1.1 ORIGA-650 1.2 Messidor 1.3 RIM-ONE 1.4 DRION-DB 2 Multiscale sequential convolutional neural networks for simultaneous detection of fovea and optic disc 3 黄斑分割 4 Post-Process Methods 5 Patched Based Attention Unet Model 1 Optic Disc 数据集

视盘（optic disc）：全称视神经盘，有时候也被成为视神经乳头（optic nerve head）。在普通的彩色眼底相机中，一般最亮的区域就是视盘的位置。

1.1 ORIGA-650

这批数据集归属于新加坡国家眼科中心，主要包含650张彩色眼底图像，每张图像都有视盘和视杯的分割标注，同时还有是否患有青光眼的诊断标注。拥有这批数据的IMED团队，也是目前国内最大的眼科医疗图像组。 ORIGA-650分为两个子集 set A for training 和 set B for testing 每个子集包含了325张图像。

1.2 Messidor

Messidor数据集原本是用来做糖尿病视网膜（diabetic retinopathy， DR）病变检测的，只有糖网的分级标注。后来国外的一个课题组又重新手工标定了视盘的边界，因此目前大家也同样在Messidor数据上做视盘的定位和分割。 The performance of our model on Messidor-dataset：

1.3 RIM-ONE

RIM-ONE一共发布了三个子数据集（RIM-ONE-R1，R2，R3），他们的数量分别是169，455和159张。

1.4 DRION-DB

DRION-DB 做的人特别少，但是这批数据集也有111张图像。大家也可以做一下，就当作一种data augmentation了吧。

PS：ISBI2019也有一个challenge，是关于AMD的分类，其中一个sub-task也是optic disc segmentation，

2 Multiscale sequential convolutional neural networks for simultaneous detection of fovea and optic disc Deep Learning的方法做视盘和黄斑中心凹的检测 基于的数据库MESSIDOR和Kaggle 图片预处理时，为了避免颜色引入的额外复杂度，都先预处理成灰度图像，然后再做图像增强

分别是灰度图和数据增强后的图像。 网络结构中，先回归出两个矩形区域，分别是视盘和黄斑的矩形区域，然后分别回归出中心。 网络采用比较简单的形式，降采样的程度也不深，只做了两层降采样，这也是可以理解的，毕竟在眼底图像中，黄斑和视盘的范围还是很大的。当然文章感觉也不是那么严禁，要想把4和5对上还挺难的。不过毕竟是提供一种思路，可以自己尝试下

3 黄斑分割

ROSE：视网膜OCTA血管分割数据集

(A) 眼底彩照，绿框为黄斑区域；（B-D）不同深度的OCTA图像。

4 Post-Process Methods When directly use unet model, we often get some error predictions. So I use a post-process algorithm: predicted area cant be to small. minimum bounding rectangles height/width or width/height should be in 0.45~2.5 lefted area is the final output. The problem of this algorithm is that the parameters not self-adjusting, so you have to change them if input image is larger or smaller than before. 5 Patched Based Attention Unet Model I use a modified Attention Unet which input of model is 128x128pix image patches. When sampling the patches, I focus the algorithm get samples around optic disc. The patches is like that: