【医学+深度论文：F17】2017 ISBI Recurrent neural network based retinal nerve fiber layer defect

17

2017 ISBI
Recurrent neural network based retinal nerve fiber layer defect detection in early glaucoma

Method ： RNFLD
Dataset ： 13 Train （20个RNFLD区域）
     13 Test （7张 8个RNFLD 区域 6张 无RNFLD）
     Glaucoma Diagnostic Services，LV Prasad Eye Institute，Bhubaneswar，India
     Visupac version 4.4.4 camera(FF 450 plus IR Carl Zeiss Ltd. USA) with 5x magnification and 200 , 300, and 500 field of views (FOV).
     JPEG format
     
Architecture : pathc based feature extraction（CZC-LBP、DDE、Entropy） + RNN
Results ：

通过补丁特征驱动的递归神经网络（RNN）检测眼底图像中的RNFLD

Methods

视网膜神经纤维层缺损（RNFLD）是青光眼检测结构改变的最早客观证据。
OCT 主要用于RNFLD检测 。但是 OCT 贵 ，还需要熟练的临床医生进行 分析; 无法进入大规模筛查和郊区环境。

具有与RNFLD区域相似强度的血管和黄斑的存在使得检测任务更具挑战性。

Pipeline

original redfree image

• PreProcessing

  • 分割血管并剔除

  • 应用对比度受限自适应直方图均衡（CLAHE）技术进一步修复图像

  
  • 分析OD周围的同心1-D强度分布来找到初始的RNFLD边界像素集

  

  • 识别候选边界像素
    通过峰宽分析 识别出 上面RNFLD边界像素集 显著局部极小值，利用与局部极小值对应的谷宽检测候选边界像素 ，实验确定同心圆的最大半径为OD半径的2.5倍。
  

  下一步通过设计各种新的patch特征和RNN来消除检测到的伪边界像素。

• Patch based feature extraction

  • CZC-LBP
    累积零计数 - 局部二进制模式特征

  • DDE
    定向差分能量 特征

  • Entropy
    熵特征
    由于RNFLD边界斑块与背景相比在强度分布中包含更多随机性，基于Shannon和Tsallis熵的斑块特征

• Recurrent Neural Network based classification

  • 基于RNN的补丁分类来划分真实的RNFLD边界像素

Results

计算检测到的RNFLD边界与实际边界的平均距离，以验证高边界定位，这对RNFLD角宽估计是有效的。

Discussion

在未来的工作方面，我们的目标是计算RNFLD角度宽度，用于青光眼进展监测和评估
数据太少，在新数据集中包含更多数量的青光眼图像。
方法不够 one stage ，用了好多处理，特征提取用的方法 不是深度学习