Learning layer-specific edges for segmenting retinal layers with large deformations
作者：S. P. K. KARRI
來源：2016 BOE
摘要：本文提出了一種結構化學習算法用于提升傳統(tǒng)圖論方法的分割效果沈善，該算法同時檢測獨立的層和對應的邊緣缤剧。算法基本原理是首先通過結構化隨機森林獲得層次邊緣的概率圖瘸羡，之后使用圖論方法進行精分割。實驗中的數(shù)據(jù)來自于杜克大學公開的10個DME患者的110張兩位專家標定過的OCT圖像辱姨。最終實現(xiàn)的平均分割誤差為1.38個像素，而目前最好的算法分割誤差是1.68個像素。
Induction
- 視網(wǎng)膜中層次的厚度與一些眼科疾病有關息堂，因此需要更加具有魯棒性的圖像分割算法足画。
- 近些年來雄驹，圖論算法，特別是動態(tài)規(guī)劃算法淹辞，由于其良好的性能医舆、較低的復雜度以及對噪聲的魯棒性而得到廣泛應用。
- 然而象缀，當視網(wǎng)膜出現(xiàn)病變時蔬将，其層次結構發(fā)生了較大的變化，此時傳統(tǒng)的分割算法的效果很不理想央星。由于病變結構多種多樣娃胆，分割難度較大。為了解決這個問題等曼，出現(xiàn)了很多基于學習的方法里烦。
- 隨機森林作為一種傳統(tǒng)的學習分類方法，由于其實現(xiàn)簡單禁谦、計算復雜度低胁黑、不容易過擬合等有點而被廣泛使用。然而原始的隨機森林為單值分類方法州泊，不能用于2D圖像塊的分類丧蘸。為了將其引入二維空間，出現(xiàn)了結構化學習方法遥皂，如結構化的SVM力喷、結構化的隨機森林，這些方法可以用于圖像分割及圖像的邊緣檢測演训。本文提出的算法即是使用結構化隨機森林作為學習算法弟孟，輸入的圖像塊的特征，輸出的對該圖像塊的預測样悟，如下圖：
image.png
structured random forests：
隨機森林由多顆決策樹組成拂募，多個決策樹的結果通過一定的規(guī)則運算得到隨機森林的結果庭猩。傳統(tǒng)的隨機森林只能夠進行標簽的分類，而結構化隨機森林能夠對2D的圖像塊進行分類陈症。訓練時使用的數(shù)據(jù)為：特征圖像塊蔼水、標簽圖像塊以及對應的邊緣圖像塊。
image.png
image.png
決策樹構建的過程中使用基尼不純度作為衡量標準录肯，葉子節(jié)點上的圖像塊代表該路徑對應的分類結果趴腋。
Method：
本文方法流程圖：
image.png
image.png
image.png
image-correction為圖像歸一化過程；
extracting the image intensity and gradient features：提取灰度特征论咏、梯度特征以及HOG特征优炬，考慮到圖像可能發(fā)生尺度上的變化，提取特征時將圖像縮小1/2潘靖。因此總的特征包括11個：原始尺度的灰度信息穿剖，兩個尺度上的梯度信息、兩個尺度4個方向上的HOG特征卦溢。
The ‘n’ layer selection process：選擇某一層次的邊界糊余，生成該邊界對應的Label image（BL）和contour image（BC）：
image.png
guided sampling process：圖像塊提取過程；首先對BC進行膨脹单寂，之后再膨脹后的白色區(qū)域位置對應的原始圖像中選取3232的圖像塊贬芥，單個像素生成的特征圖像塊為323211，在訓練時會將特征塊展開為一維向量宣决。然后按照這個規(guī)則蘸劈，在Label image和contour image對應位置選取1616的圖像塊。
image.png
數(shù)據(jù)：來自杜克大學公開的DME數(shù)據(jù)集尊沸，包含10個DME患者的110張圖像威沫，其中每張圖像含有兩名專家標定的8條層次線。訓練集為55張洼专，測試集為55張棒掠。每個森林包含8課決策樹。
實驗分析：
三個衡量指標：
Metric 1: Mean absolute difference between the predicted contour and the expert contour along the column實驗結果與金標準之間的平均絕對誤差
Metric 2: Mean absolute difference in layer widths層次厚度的平均絕對誤差
image.png
image.png
image.png
image.png
注：AN：傳統(tǒng)圖論方法屁商；AD：kernel-guided graph approach
分割結果圖片：
image.png
image.png
未來方向：
- 結構化學習時考慮相鄰圖片之間的信息
- 將層次分割與病變預測結合起來
不足之處：
HoG依賴于梯度烟很，而圖像中由于血管陰影的存在導致的梯度信息缺失會影響結果，目前的結構化隨機森林能夠處理少于16個像素寬度的梯度信息丟失蜡镶。
