Image Projection Network: 3D to 2D ImageSegmentation in OCTA Images 论文阅读笔记

代码链接：https://github.com/chaosallen/IPN_tensorflow

目录：

1. 摘要
2. 网络结构
3. 相关实验
4. 总结

一、摘要

        我们提出了一种图像投影网络(IPN)，这是一种新颖的端到端架构，可以在光学相干断层成像血管造影(OCTA)图像中实现三维到2D图像的分割。我们的关键见解是构建一个投影学习模块(PLM)，它使用单向汇集层来同时进行有效的特征选择和降维。通过组合多个PLMs，该网络可以输入三维OCTA数据，并输出视网膜血管分割等2D分割结果。它为视网膜指标的量化提供了新的思路:无需视网膜层分割，无需投影图。我们针对两个关键的视网膜图像分割问题测试了网络的性能:视网膜血管(RV)分割和视网膜中央凹血管区(FAZ)分割。在316个OCTA体上的实验结果表明，IPN是三维到2D分割网络的有效实现，并且多模态信息和体信息的使用使得IPN表现得比基线方法更好。

二、网络结构

        在设计从3D到2D的IPN之前，我们首先设计了一个从2D到1D的投影网络作为预实验，验证神经网络能否沿着投影方向总结出有效的特征。

        1.2D-to-1D 网络

        我们借鉴了经典VGG模型的框架，去掉了所有的全连接层，将原来的max pooling改为unidirectional maxpooling。这些改变的目的是沿着投影方向选择有效的特征，并减小数据维度，以将数据压缩到二维投影平面上