病灶分割相關(guān)論文

①A Neural Network Approach to Retinal Layer Boundary Identification From Optical Coherence Tomography Images

作者：Kevin McDonough and Ilya Kolmanovsky
來源：2015 IEEE

使用神經(jīng)網(wǎng)絡(luò)對視網(wǎng)膜圖像中的每個像素進(jìn)行二分類：屬于層次中的像素與不屬于層次中的像素兩類毕贼。該方法識別的是層，而不是層與層之間的邊界（邊界上的像素比較少蛤奢，影響分類準(zhǔn)確率）鬼癣。不同的層次使用不同的神經(jīng)網(wǎng)絡(luò)，共分割八個layer啤贩。

image.png

image.png

image.png

image.png

最終的分割結(jié)果為：

image.png

可以看到章郁，分割效果還是很不錯的。不平滑的部分可以使用平滑的方法來解決志衍。

② Automated segmentation by pixel classification of retinal layers in ophthalmic OCT images

作者：K. A. Vermeer
來源：2012 BOE

采用了像素分類的方法暖庄，使用多尺度梯度和灰度特征作為特征向量，并采用SVM算法進(jìn)行聚類楼肪，分類的聚類數(shù)以分割的層數(shù)作為標(biāo)準(zhǔn)培廓。由于分割過程中的錯誤，最后采用水平集求解出一個光滑曲面淹辞。
??特征向量結(jié)合灰度值和梯度信息医舆，在單個A-scan上進(jìn)行計算，公式如下：

image.png

image.png

image.png

實驗中所使用的數(shù)據(jù)為：10個正常人OCT體數(shù)據(jù)蔬将，8個青光眼患者OCT體數(shù)據(jù)，每個體數(shù)據(jù)有193張圖像央星。訓(xùn)練數(shù)據(jù)為2張正常人和一張青光眼患者的圖像霞怀，訓(xùn)練數(shù)據(jù)來自專家標(biāo)定。

論文的分割結(jié)果如下：

image.png

image.png

③ Automatic segmentation of nine retinal layer boundaries in OCT images of non-exudative AMD patients using deep learning and graph search

作者：LEYUAN FANG
來源：2017 BOE
??結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和圖搜索算法（CNN-GS）對干性AMD患者的OCT圖像進(jìn)行層次分割莉给，可以得到9個邊界毙石。該方法主要分為兩個步驟：CNN確定要分割邊界的候選區(qū)域；圖搜索算法在這個區(qū)域內(nèi)進(jìn)行分割：

image.png

image.png

image.png

image.png

最后在概率圖的基礎(chǔ)上窒百，使用圖搜索（GTDP，graph theory and dynamic programming）的方法對每個邊界進(jìn)行細(xì)分割豫尽，得到最終的分割結(jié)果篙梢。

實驗中使用的數(shù)據(jù)：
??117個干性AMD的OCT體數(shù)據(jù)，每個Volume包含48或49張圖像美旧。其中57個體數(shù)據(jù)用做訓(xùn)練集渤滞，60個體數(shù)據(jù)（2915個B-scan）用于測試集。

論文分割結(jié)果：

image.png

說明：
OCTExplorer：一個可下載的3D OCT層次分割軟件（Iowa）
DOCTRAP：基于人工修正的半自動標(biāo)定軟件（杜克大學(xué)）

結(jié)果定量分析

缺點：過于依賴標(biāo)注數(shù)據(jù)集陈症；基于Matlab平臺的CNN運(yùn)行時間較長蔼水，后續(xù)可改進(jìn)為Python或Caffe平臺震糖；設(shè)計可自動適應(yīng)大小的圖像塊录肯。

④ Segmentation of retinal OCT images using a random forest classifier

作者：Andrew Lang
來源：Medical Imaging 2013
??使用隨機(jī)森林分類器的方法對黃斑區(qū)域的OCT圖像進(jìn)行9個邊界的分割，每個像素點提取7個特征進(jìn)行訓(xùn)練和分類吊说。

9個邊界示例

7個特征：

image.png

其中第一個特征（a）是視網(wǎng)膜區(qū)域中每個像素點距離BM的垂直距離论咏，第二個是每個像素的x坐標(biāo)；（d）~（f）是四種不同尺度的梯度圖像颁井；最后的特征是每個像素處的結(jié)構(gòu)張量的最大特征值的大小厅贪。這7個特征構(gòu)成了每個像素點對應(yīng)的特征向量，以這些特征向量作為輸入雅宾，使用隨機(jī)森林對像素點進(jìn)行十分類（0~9养涮，0為背景，1~9分別對應(yīng)從上到下的9個邊界）眉抬。隨機(jī)森林分類器生成的概率圖如下：

image.png

實驗中使用的數(shù)據(jù)：
??10個體數(shù)據(jù)贯吓，每個體數(shù)據(jù)包含49個B-scan

論文實驗結(jié)果：

image.png

image.png

⑤ Retinal layer segmentation of macular OCT images using boundary classification

作者：Andrew Lang
來源：2013 BOE
??本文使用隨機(jī)森林+Canny以及隨機(jī)森林+GS的方法對黃斑區(qū)與視網(wǎng)膜OCT圖像進(jìn)行9個邊界的分割，OCT圖像中的每個像素點提取27個特征構(gòu)成特征向量蜀变。本文方法的流程如下：

image.png

特征舉例：（包含了三維信息）

image.png

image.png

RF+CAN：在概率圖的基礎(chǔ)上使用Canny算子進(jìn)行邊界分割悄谐；
RF+GS：在概率圖的基礎(chǔ)上使用GS方法對層次進(jìn)行分割；

實驗中使用的數(shù)據(jù)：35個體數(shù)據(jù)库北，每個體數(shù)據(jù)包含49個B-scan爬舰，訓(xùn)練集體數(shù)據(jù)的個數(shù)為Ns個。Ns的不同對隨機(jī)森林分類器的影響：

image.png

論文分割結(jié)果：

image.png

image.png

image.png

⑥ Segmentation Based Sparse Reconstruction of Optical Coherence Tomography Images

作者：Leyuan Fang
來源：2016 IEEE TMI
??本文使用稀疏重建（sparse reconstruction寒瓦，SSR）和圖搜索（graph theory and dynamic programming情屹，GTDP）的方法對黃斑區(qū)域視網(wǎng)膜OCT圖像進(jìn)行層次分割，分割得到7個邊界杂腰。該方法流程如下：

image.png

首先使用GTDP的方法對OCT圖像進(jìn)行初步分割垃你，之后利用粗分割的得到的層次結(jié)構(gòu)信息構(gòu)建針對每個Layer的結(jié)構(gòu)詞典（structural dictionaries），然后利用構(gòu)建的詞典對圖像進(jìn)行降噪增強(qiáng)，使用增強(qiáng)后的圖像進(jìn)行分割得到的結(jié)果誤差相較于之前的較小蜡镶。

Fig. 10. SSR reconstruction results using three different layer segmentations. The image in (a) is a raw OCT B-Scan. Automatic segmentation of retinal layers using GTDP algorithm (delineated in different colors in the left column) is used to produce the denoised image of the right column in (b). We carefully manually corrected the automatic segmentation of layer boundaries, resulting in the slightly modified layer boundaries shown in the left column of the (c). Corresponding denoised image is shown in the right column of the (c). To artificially create more severe segmentation errors, we intentionally introduced errors in segmentation of the inner nuclear layer in the black box region (manually induced error), resulting in the images of the (d).

Fig. 11. Impact of SSR reconstruction on automatic GTDP layer segmentation performance. The raw B-Scan in (a) is segmented using automated GTDP technique in (b). The blue arrow points to a small region with errors in automatic segmentation of the inner nuclear layer boundaries (delineated in blue and cyan colors). SSR denoised image using the segmentation results in (b) is shown in (c). Automatic segmentation of the image in (c) using GTDP technique is shown in (d), where the accuracy of segmentation is improved for the previous erroneously segmented region雾袱。

實驗使用的數(shù)據(jù)：
41個正常人的體數(shù)據(jù)。