Abstract
病灶分割+病灶分类+DR病变等级分类
三个challenge:
病灶缺乏客观的边界 --a re-designed expansive path (Lesion-Net)
病灶的临床重要性与其大小无关 (dual loss 同时病灶分割+病灶分类)
病灶和疾病类别之间缺乏一对一的对应(lesion-net作为classification branch的side-attention module,并且结果具有可解释)
提出新的数据集(retinal lesions) 12k, 8lesions
INTRODUCTION
眼底图像中的病变是什么以及它们在图像中的位置的问题,病变分割有可能使在图像水平上预测的疾病类别具有临床可解释性。
因此,在一个统一的框架内进行病变分割和视网膜疾病分类是有价值的。(multi-task任务的意义)
对于自然图像,语义分割任务和图像分类任务通常共享相同的类词汇表。因此,开发多任务方法似乎是相对简单的,例如,通过最大或平均池化将像素级预测的类转换为图像级预测的类。(mask rcnn?)
对于眼底图像, 病变标签和疾病分类缺乏一一对应关系,这意味着lesion segmentation不能直接转换为image-level DR分级。
1、病灶会存在在图片的不同区域,且具有不同的视觉外观。
2、与自然图像中的物体不同,视网膜病变在背景上缺乏清晰的边界。实际上,眼科医生不可能以同样的精确度分割病变,这意味着FCN必须从边界不精确的注释中学习。(医生给的标注都可能不一定是准的。。)
===>特别精确的分割在临床上,也是unnecessary。指出cutting-edge FCNs, e.g., DeepLabv3+ are over-designed for lesion segmentation.
虽然自然图像中物体的重要性很大程度上取决于其大小,但眼底图像中病灶的重要性并不取决于其拥有的像素数量。糖尿病视网膜病变根据病变类型分为5个级别,从DR0(即无DR)到DR4(即增殖性DR)。视网膜前出血,即使规模相对较小,也意味着DR4。
novelties
- 8病灶数据集(state-of-the-art)
- lesion-Net (a re-designed expansive path with its length adjustable and its upsampling operation lightweight trainable) + dual loss
- a multi-task network
- 在该数据集上实验验证该方法比较好,且 release part dataset (1593)
RELATED WORK
Models for semantic segmentation
- FCN–>UNet–>Unet with attention --> deeplabv3+
Retinal lesion segmentation
- 病灶分割需要从全局去看, 比如MA和iHE都是小黑点,但是MA容易在血管周围出现,且没有其它病灶时,极易是MA。
Lesion-enhanced DR grading
- two-step [34] 首先使用CNN将输入图像转换为权重图,将图像的所有patches分类为normal, MA或iHE。将图像乘以权重图,送入DR分级网络.
- lesion-guided attention mechanism
上述都没有用到severe lesion, such as pHE, vHE, and NV.
approach
网络结构一目了然
inception-unet:没有经过五次上采样,而是比较了不同stage的上采样对最终结果的影响。最后综合的话LesionNet-16s效果最好