RETOUCH数据集排行榜

SFU

SFU, Simon Fraser University, Burnaby, Canada

方法：Random forest + relative distance map + U-Net

• Step 1：层分割；
• Step 2：生成相对距离图与原始图像连接（变为 2 通道）作为 FCN 的输入，网络检测可能存在目标的区域；
• Step 3：从候选区域提取特征，训练随机森林分类器以去掉假阳性区域。

网络：

结果：mean Dice 0.7317

UMN

UMN, University of Minnesota, Minneapolis, US

方法：图最短路径算法 + CNN

• Step 1：采用图最短路径法分割 ILM 和 RPE 层；
• Step 2：将层间区域输入 CNN
• Step 3：基于层分割和层关注的聚类

结果：mean Dice：76.44% / 92.25% / 82.14%

MABIC

MABIC, National Institute for Mathematical Sciences, Daejeon, Korea

方法：two step neural network，前者用于检测和分割（使用 U-Net + classification layer），后者用于提高前者的鲁棒性。

网络：

• 网络一：U-Net 结构，在 encoder 和 decoder 之间添加 FC layer 做分类任务
• 网络二：U-Net 结构，将网络一的分割结果和原图作为输入，分别为三个类别（IRF、SRF、PED）训练网络

结果：

	IRF	SRF	PDE
mean Dice	0.92/0.80/0.86	0.93/0.92/0.93	0.89/0.91/0.94

RMIT

RMIT, RMIT University, Melbourne, Australia

方法：Adversarial network + U-Net，使用对抗网络对图像区域之间的高阶关系进行编码

代码：https://github.com/RuwanT/retouch

网络：

• $f_{jc}(x^{(i)};{\theta }_s)$：预测图像 $x^{(i)}$ 中每个 voxel 的概率，图像 $x$ 属于某个特定类别
• $g_c(x^{(i)};{\theta }_g)$：预测图像 $x^{(i)}$ 中包含 c 类别的概率
  
  
  

结果：Dice 0.75

RetinAI

RetinAI, RetinAI Medical GmbH and University of Bern, Switzerland

方法：Branch Residual U-Net (BRUNet)，dilated residual blocks + U-Net

网络：将原始图像和分层分割输入到分割网络 BRUNet 和分类器中，再将 BRUNet 的分割结果作为分类器的输入，得到最终的分割结果。

结果：

	IRF	SRF	PDE
mean Dice	0.51±0.36	0.58±0.44	0.73±0.38

Helios

Helios, IIIT Hyderabad, Hyderabad, India

方法：Fully automated Generalized Motion Pattern(GMP) based segmentation method using a cascade of fully convolutional networks，基于 Generalized Motion Pattern (GMP) 的特征提取，利用 cascade FCN 形成一条联合分割检测流水线

三个阶段组成：

• Stage 1：数据预处理（Resize，提取 ROI，去噪），处理结果用于生成 GMP 图像。GMP：对每个 slice 图像进行计算产生 N 个结果图，N 个图通过合并函数 $f$ 进行映射形成 GMP，网络学习最优的合并函数 $f$。
• Stage 2：全卷积网络 用于检测和分割，训练图像和 GMP map 作为 Cascaded FCN 输入。
• Stage 3：后处理，去除假阳性（具有很少联通区域的结果）
  

网络：类似于 U-Net 的级联 CNN

结果：

	IRF	SRF	PDE
mean Dice	0.61	0.70	0.73
mean AUC	0.85	0.84	0.87

UCF

UCF, University of Central Florida, Orlando, US

方法：ResNet + 数据增强（myopic warping + rotation）+ 后处理（graph cut）

网络：

网络基本单元：

网络结构：

结果：

	IRF	SRF	PDE
mean Dice	0:522	0:682	0:612

NJUST

NJUST, Nanjing University of Science & Technology, China

方法：融合 Faster R-CNN，region growing 做分割任务。第一阶段，Faster R-CNN 做 IRF 的分割；第二阶段，Faster R-CNN 检测体素作为 seed 进行 3D 区域生长做 SRF 的分割；第三阶段，RPE layer 定位 PED。

结果：

	IRF	SRF	PDE
mean Dice	0.99	0.99	0.99