15
2018 T-MI (IEEE Transactions on Medical Imaging )
Disc-Aware Ensemble Network for Glaucoma Screening From Fundus Image
Method : 分类 (混合了分割模型)
Dataset :ORIGA、SCES 、SINDI 5783(5670N,113G)
Architecture : DENet(4个流)
Results : SCES AUC 0.9183 SE 0.8429 SP 0.8380
SINDI AUC 0.8173 SE 0.7876 SP 0.7115
整合了全局眼底图像和局部视盘区域的深层次背景
Methods
大多数现有的自动筛选方法首先对主要结构进行分割,然后计算用于检测和筛查青光眼的临床测量。然而,这些基于测量的方法严重依赖于分割准确性并忽略各种视觉特征。
不同level和model上的四个深度流分别被视为全局图像流,分割网络,视盘区域流和视盘极化转换流。最后,融合不同流的输出概率作为最终筛选结果。
DENet特点
- Disc-aware
突出视盘区域中的上下文信息。 - Multi-level
结合 globel image 和 optic disk region - multi-model