病灶分割相关论文
①A Neural Network Approach to Retinal Layer Boundary Identification From Optical Coherence Tomography Images
作者：Kevin McDonough and Ilya Kolmanovsky
来源：2015 IEEE
使用神经网络对视网膜图像中的每个像素进行二分类：属于层次中的像素与不属于层次中的像素两类。该方法识别的是层，而不是层与层之间的边界（边界上的像素比较少，影响分类准确率）。不同的层次使用不同的神经网络，共分割八个layer。
image.png
image.png
image.png
image.png
目标函数：
image.png
可以看到，分割效果还是很不错的。不平滑的部分可以使用平滑的方法来解决。
② Automated segmentation by pixel classification of retinal layers in ophthalmic OCT images
作者：K. A. Vermeer
来源：2012 BOE
采用了像素分类的方法，使用多尺度梯度和灰度特征作为特征向量，并采用SVM算法进行聚类，分类的聚类数以分割的层数作为标准。由于分割过程中的错误，最后采用水平集求解出一个光滑曲面。
特征向量结合灰度值和梯度信息，在单个A-scan上进行计算，公式如下：
image.png
image.png
image.png
实验中所使用的数据为：10个正常人OCT体数据，8个青光眼患者OCT体数据，每个体数据有193张图像。训练数据为2张正常人和一张青光眼患者的图像，训练数据来自专家标定。
论文的分割结果如下：
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
来源：2017 BOE
结合卷积神经网络和图搜索算法（CNN-GS）对干性AMD患者的OCT图像进行层次分割，可以得到9个边界。该方法主要分为两个步骤：CNN确定要分割边界的候选区域；图搜索算法在这个区域内进行分割：
image.png
其中，
CNN为修改后的Cifar-CNN，针对每个像素，以该像素为中心提取33*33的图像块，该图像块作为作为CNN的输入，输出为一个1*10的向量，分别表示该像素属于9个边界和背景的概率，最终可以获得9个边界对应的概率图。
image.png
image.png
CNN的网络结构如下：
image.png
最后在概率图的基础上，使用图搜索（GTDP，graph theory and dynamic programming）的方法对每个边界进行细分割，得到最终的分割结果。
实验中使用的数据：
117个干性AMD的OCT体数据，每个Volume包含48或49张图像。其中57个体数据用做训练集，60个体数据（2915个B-scan）用于测试集。
论文分割结果：
image.png
说明：
OCTExplorer：一个可下载的3D OCT层次分割软件（Iowa）
DOCTRAP：基于人工修正的半自动标定软件（杜克大学）
结果定量分析
缺点：过于依赖标注数据集；基于Matlab平台的CNN运行时间较长，后续可改进为Python或Caffe平台；设计可自动适应大小的图像块。
④ Segmentation of retinal OCT images using a random forest classifier
作者：Andrew Lang
来源：Medical Imaging 2013
使用随机森林分类器的方法对黄斑区域的OCT图像进行9个边界的分割，每个像素点提取7个特征进行训练和分类。
9个边界示例
7个特征：
image.png
其中第一个特征（a）是视网膜区域中每个像素点距离BM的垂直距离，第二个是每个像素的x坐标；（d）~（f）是四种不同尺度的梯度图像；最后的特征是每个像素处的结构张量的最大特征值的大小。这7个特征构成了每个像素点对应的特征向量，以这些特征向量作为输入，使用随机森林对像素点进行十分类（0~9，0为背景，1~9分别对应从上到下的9个边界）。随机森林分类器生成的概率图如下：
image.png
实验中使用的数据：
10个体数据，每个体数据包含49个B-scan
论文实验结果：
image.png
image.png
⑤ Retinal layer segmentation of macular OCT images using boundary classification
作者：Andrew Lang
来源：2013 BOE
本文使用随机森林+Canny以及随机森林+GS的方法对黄斑区与视网膜OCT图像进行9个边界的分割，OCT图像中的每个像素点提取27个特征构成特征向量。本文方法的流程如下：
image.png
特征举例：（包含了三维信息）
image.png
随机森林生成的概率图：
image.png
RF+CAN：在概率图的基础上使用Canny算子进行边界分割；
RF+GS：在概率图的基础上使用GS方法对层次进行分割；
实验中使用的数据：35个体数据，每个体数据包含49个B-scan，训练集体数据的个数为Ns个。Ns的不同对随机森林分类器的影响：
image.png
论文分割结果：
image.png
image.png
image.png
⑥ Segmentation Based Sparse Reconstruction of Optical Coherence Tomography Images
作者：Leyuan Fang
来源：2016 IEEE TMI
本文使用稀疏重建（sparse reconstruction，SSR）和图搜索（graph theory and dynamic programming，GTDP）的方法对黄斑区域视网膜OCT图像进行层次分割，分割得到7个边界。该方法流程如下：
image.png
首先使用GTDP的方法对OCT图像进行初步分割，之后利用粗分割的得到的层次结构信息构建针对每个Layer的结构词典（structural dictionaries），然后利用构建的词典对图像进行降噪增强，使用增强后的图像进行分割得到的结果误差相较于之前的较小。
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。
实验使用的数据：
41个正常人的体数据。
网友评论