基于结构化随机森林的DME病灶分割

Learning layer-specific edges for segmenting retinal layers with large deformations

作者：S. P. K. KARRI
来源：2016 BOE
摘要：本文提出了一种结构化学习算法用于提升传统图论方法的分割效果，该算法同时检测独立的层和对应的边缘。算法基本原理是首先通过结构化随机森林获得层次边缘的概率图，之后使用图论方法进行精分割。实验中的数据来自于杜克大学公开的10个DME患者的110张两位专家标定过的OCT图像。最终实现的平均分割误差为1.38个像素，而目前最好的算法分割误差是1.68个像素。

Induction

• 视网膜中层次的厚度与一些眼科疾病有关，因此需要更加具有鲁棒性的图像分割算法。
• 近些年来，图论算法，特别是动态规划算法，由于其良好的性能、较低的复杂度以及对噪声的鲁棒性而得到广泛应用。
• 然而，当视网膜出现病变时，其层次结构发生了较大的变化，此时传统的分割算法的效果很不理想。由于病变结构多种多样，分割难度较大。为了解决这个问题，出现了很多基于学习的方法。
• 随机森林作为一种传统的学习分类方法，由于其实现简单、计算复杂度低、不容易过拟合等有点而被广泛使用。然而原始的随机森林为单值分类方法，不能用于2D图像块的分类。为了将其引入二维空间，出现了结构化学习方法，如结构化的SVM、结构化的随机森林，这些方法可以用于图像分割及图像的边缘检测。本文提出的算法即是使用结构化随机森林作为学习算法，输入的图像块的特征，输出的对该图像块的预测，如下图：

structured random forests

随机森林由多颗决策树组成，多个决策树的结果通过一定的规则运算得到随机森林的结果。传统的随机森林只能够进行标签的分类，而结构化随机森林能够对2D的图像块进行分类。训练时使用的数据为：特征图像块、标签图像块以及对应的边缘图像块。

决策树构建的过程中使用基尼不纯度作为衡量标准，叶子节点上的图像块代表该路径对应的分类结果。

Method：

本文方法流程图：

image-correction为图像归一化过程；
extracting the image intensity and gradient features：提取灰度特征、梯度特征以及HOG特征，考虑到图像可能发生尺度上的变化，提取特征时将图像缩小1/2。因此总的特征包括11个：原始尺度的灰度信息，两个尺度上的梯度信息、两个尺度4个方向上的HOG特征。
The ‘n’ layer selection process：选择某一层次的边界，生成该边界对应的Label image（BL）和contour image（BC）：

guided sampling process：图像块提取过程；首先对BC进行膨胀，之后再膨胀后的白色区域位置对应的原始图像中选取32*32的图像块，单个像素生成的特征图像块为32*32*11，在训练时会将特征块展开为一维向量。然后按照这个规则，在Label image和contour image对应位置选取16*16的图像块。

数据：

来自杜克大学公开的DME数据集，包含10个DME患者的110张图像，其中每张图像含有两名专家标定的8条层次线。训练集为55张，测试集为55张。每个森林包含8课决策树。

实验分析：

三个衡量指标：
Metric 1: Mean absolute difference between the predicted contour and the expert contour along the column实验结果与金标准之间的平均绝对误差
Metric 2: Mean absolute difference in layer widths层次厚度的平均绝对误差

注：AN：传统图论方法；AD：kernel-guided graph approach

分割结果图片：

未来方向：

1. 结构化学习时考虑相邻图片之间的信息
2. 将层次分割与病变预测结合起来

不足之处：

HoG依赖于梯度，而图像中由于血管阴影的存在导致的梯度信息缺失会影响结果，目前的结构化随机森林能够处理少于16个像素宽度的梯度信息丢失。