Improving Lesion Segmentation for Diabetic Retinopathy using Adversarial Learning

ICIAR 2019
Code[Pytorch]

摘要&introduction

IDRiD给出了pixel level的病灶标注:microaneurysms, hemorrhages, soft exudates and hard exudates.

  • HEDNet edge detector to solve a semantic segmentation task on this dataset.

  • then propose an end-to-end system for pixel-level segmentation of DR lesions by incorporating HEDNet into a Conditional Generative Adver-sarial Network(cGAN).

  • design a loss function that adds adversarial loss to segmentation loss.

image-level 或者 patch level的GT,不利于医生解释诊断结果。====> pixel level segmentation的重要性

我们无法根据image-level 或者 patch level的预测结果来向患者或者他人解释做出诊断的原因,但是有了病灶的标注,我们便可以根据病灶的某些因素做出比较可信的诊断。

加入cGAN的原因是可以使得分割出来的结果更加可信,从而提高performance。

方法

  • 预处理

illumination correction and contrast enhancement techniques.(照明校正和对比度增强)

  • Brightness Balance:由于数据集采样自不同的病灶和组织,所以在整个数据集上会存在光照的不一致性。(对于每一个训练和测试图,平均像素强度等于训练集上的平均像素强度。)

  • Contrast Enhancement:对比度增强确保像素强度覆盖广泛的值,这可以使细节更容易地明显。 CLAHE([限制对比度自适应直方图均衡化)

  • Denoising :假设数据存在高斯白噪声,使用非局部均值去噪算法。此外,对图像进行了双边滤波(去噪保边),用附近像素的强度值的加权平均代替了每个像素的强度,从而在最小化噪声的同时保留了边缘信息

  • network

参见另外一篇论文,了解其中的细节。

  • loss

病灶仅存在在病变图像中的一小部分区域,所以GT(二分类,病灶和非病灶)是严重不平衡的。使用了weight -BCE loss:在这里插入图片描述

y为0或1,表示是否是病灶,p表示positive class(病灶)的预测概率。

受到SSNet的启发,病灶的size和shape容易导致假阳性和假阴性labeling。

假阳性:错误的诊断本来不存在的病。

假阴性:有病没查出来。

cGAN可以有效的提高泛化能力。

SSNet的generator是GCN(Global Convolutional Network),本文使用HEDNet作为generator。

cGAN用来discriminate output。网络结构same as infoGAN,判别器用了PatchGAN的架构。(输入图被split成小的patch,然后对每个小patch使用CELoss判别是真是假。

The final generator loss term is a weighted average of binary cross-entropy loss and GAN loss: >

最终的分割不仅要与GT接近,并且要让discriminator看起来real。(后面的就是GAN的作用)

比如这里是李宏毅老师ppt中的一页,可以看出两个的output和GT都是只有一个pixel的差异,但是前面的一个output更加的realistic。
在这里插入图片描述

实验部分

数据集

IDRiD,四个不同的task,Microaneurysms (MA), Soft Exudates (SE), Hard Exudates (EX) and Hemorrhages (HE) 的病灶分割

54个training set,27个test set。并非所有的图都包含四种病灶

对于54张训练集,随机划分80%训练,20%做验证。

分辨率:4288*2848
>

Implementation Details

  • 超参

SE, EX, HE的patch size为128,MA的patch size为64.

weight-BCE loss的 β \beta β 为10,表示lesion占比重比较大

total loss中GAN loss占比 λ \lambda λ 为0.01,(从占比上来看,GANloss只是起到很小一部分)

SGD, 初始lr=0.001,HEDNet的话,每200个epoch除以10,对于判别器,每100个epoch除以10.

momentum=0.9,L2-weight decay=0.0005

train和val的batch size=4,test batch size=1

总的epoch=5000

  • 预处理

CLAHE的tiles为8x8,对比度限制为40.

非局部均值去噪算法中的filter strength为10.

最后对输入图像进行normalize,mean=(0.485, 0.456, 0.406)标准差为(0.229, 0.224, 0.225)

  • 数据增强

随机裁剪为512x512

随机旋转,最大旋转角度为20

评价指标&实验结果

HEDNet+cGAN在EX上achieve best scores(F1,AP),因为EX是小的有光泽的白色或黄白色沉积在视网膜血管深处,边缘尖锐,导致图像高对比度。

MA效果不明显,主要是MA very small, lower contrast and share higher similarity to blood vessels.

但是从结果中可以看出,加了cGAN后,效果比不加的普遍要好

EX效果最好,加了cGAN后效果比不加的好。

感觉就最后的可视化结果来看,效果也没有很好。。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值