论文精读1-Robust total retina thickness segmentation in optical coherence tomography images using convol

论文基本信息

论文名：Robust total retina thickness segmentation in optical coherence tomography images using convol
作者：FREERK G. VENHUIZEN,* BRAM VAN GINNEKEN,BART LIEFERS MARK J.J.P. VAN GRINSVEN SASCHA FAUSER CAREL HOYNG, THOMAS THEELEN,AND CLARA I. SÁNCHEZ
来源：2017 Biomedical Optics Express
DOI：https://doi.org/10.1364/BOE.8.003292

摘要

本文提出了一种基于CNN的视网膜图像分割方法，对异常视网膜图像具有很好的鲁棒性。实验中使用经过改进的U-net网络对视网膜图像中的ILM和RPE进行分割并计算黄斑区域的视网膜厚度，厚度的误差为$14\pm22.1\mu m$，好于另外两种商业上广泛使用的算法（Heidelberg Eye Explorer software and Iowa reference algorithm）。

正文

U-net网络的通用结构如下：

整个过程分为为两大步骤：

1 . 下采样

采样在神经网络中即为池化层，随着池化的进行，feature map逐渐变小，在这个过程中感受野逐步变大，可以更好地获取图像的上下文信息，但会丢失位置信息。感受野的计算公式为：

$$r_k=2(r_{k-1}+2c)$$
其中 k为采样次数， c为为每次下采样中卷积层的次数。

感受野（receive field）是指当前feature map中的一个原子点P与输入层中多少个原子个数相关。

2 . 上采样

为了弥补下采样过程中图像像素位置信息的丢失而添加的上采样步骤。每次上采样将图像放大两倍，多出的像素通过插值来获得。之后结合同一层次中下采样的feature map进行卷积操作。

本文采用的U-net网络结构：

训练过程

使用人工标注的图像进行网络的训练。标注图像示例如下（a为原图，b为标注后的图）：

训练过程中的误差函数：

$$C=\sum_{\forall x \in B_i , \forall B_i \in \mathcal{B}}w_i(X)log(|\tilde{S_i}(X)-S_i(X)|)$$
其中 $S_i(X)$为标注图像， $w_i(X)$为权值， $\tilde{S_i}(X)$为预测结果。
$$w_i(X)=\left\{ \begin{aligned} \frac{N_{back}}{N_{ret}+N_{back}}, if S_i(X)=1, i.e. X \in retina \\ \frac{N_{ret}}{N_{ret}+N_{back}}, if S_i(X)=0, i.e. X \in background \end{aligned} \right.$$
$N_{ret}$和 $N_{back}$分别为视网膜区域和背景区域的像素个数。

数据

130个体数据用作训练集，15个用作验证集，99个体数据用于验证集，其中包含33个早期AMD或健康人的数据，33个为中期AMD患者数据，33个为晚期患者数据。OCT数据来自于European Genetic Database。

实验结果

图片分割结果

上图为晚期AMD患者图像分割错误的情况