MICCAI2019-partI部分论文概览

1.Retinal Abnormalities Recognition Using Regional Multitask Learning

基于区域多任务学习的视网膜异常识别

任务背景：

使用一个模型识别36种不同的视网膜疾病，之前的研究都是针对单独的视网膜疾病。

做法：

首先使用Yolov3模型训练一个联合的CNN检测器来定位视盘和黄斑区域。将检测到的视盘和黄斑区边界盒以及整个眼底图像分别调整为300×300、600×600、800×800，然后送入三流多标签疾病分类网络。
（1） 对黄斑和视盘区域的框选：

由于已知视盘和黄斑之间的中心距离大约相当于视盘直径的2.5倍，所以可以通过辅助包围盒来进行建模和推断，辅助包围盒将黄斑和视盘包围在其中，在黄斑或者视盘二缺一时，来推测另一个的位置。
（2） 分类：
视网膜疾病主要有三大类，一般视网膜疾病是指影响整个视网膜的疾病，如DR、高血压性视网膜病变和CRVO/BRVO等；黄斑病变包括年龄相关性黄斑变性（AMD）、黄斑水肿和黄斑裂孔；视盘疾病包括青光眼、视盘水肿。分类任务框架的一个重要概念是，模型层的一部分在独立任务之间共享。

2.Dual Encoding U-Net for Retinal Vessel Segmentation

双编码U-Net用于视网膜血管分割

任务背景：

对视网膜血管进行分割，用于糖尿病、高血压等眼部疾病的早期诊断。提出DEU-Net提供更大的感受野和空间信息。

做法：

（1） 视网膜图像预处理：转换成灰度图并归一化，增强对比度，抑制噪声等，最后分成小片patch
（2）将每一块图像输入双编码U-Net进行分割：在编码器中，设计了空间路径（spatial path）中的大卷积核来保持空间信息，并使用上下文路径(context path)中的multi-scale特征来捕获更多的语义信息。此外，将信道注意机制(channel attention mechanism)应用于跳跃连接，以传递信息并选择有用的特征映射。最后，在解码器中，将低层预测和高层预测相结合，以获得更好的预测精度。
（3）分割结果重建

3.Multi-scale Microaneurysms Segmentation Using Embedding Triplet Loss

基于三重损失的多尺度微动脉瘤分割

任务背景：

彩色眼底图像中的小红点表示微血管结构的异常，即微动脉瘤，是诊断糖尿病视网膜病变（DR）早期标志。由于病变体积小，占整个图像的比例小于1%，而且微动脉瘤与背景的对比度较低，所以检测微动脉瘤是一项具有挑战性的任务。

做法：

模型首先在两个尺度上进行分段，然后用分类模型对分段进行细化。为了提高分类模型的识别能力，我们将三重态嵌入损耗与选择性采样程序结合起来。

由两个阶段组成：
（1） hypothesis generation network（HGN）利用多尺度全卷积网络（FCNs）用于提出感兴趣区域（ROI）。为了更好的处理不同尺度的血管，采用两个分辨率的输入图像，然后采用 dice loss 和 BCE 进行训练。
（2）patch-wise refinement network（PRN）将ROI周围提取的分片传递给分类器。这个网络是一个分类网络，输入是图像块，输出是图像块中心点的分类结果。HGN 的分割结果作为 PRN 的 ROI 区域，潜在的优势在于这样级联的方式显著的增大了感受野。训练 PRN 除了采用常用的 BCE loss 之外，还采用了在 Image retrieval 中常用的 triplet embedding loss（三重嵌入损失） ，使得 ddd-维空间中具有相同标签的像素更加接近。
三重嵌入损失（triplet embedding loss）：