15
2018 T-MI (IEEE Transactions on Medical Imaging )
Disc-Aware Ensemble Network for Glaucoma Screening From Fundus Image
Method ： 分类 （混合了分割模型）
Dataset ：ORIGA、SCES 、SINDI 5783（5670N，113G）
Architecture : DENet（4个流）
Results ： SCES AUC 0.9183 SE 0.8429 SP 0.8380
SINDI AUC 0.8173 SE 0.7876 SP 0.7115
整合了全局眼底图像和局部视盘区域的深层次背景
Methods
大多数现有的自动筛选方法首先对主要结构进行分割，然后计算用于检测和筛查青光眼的临床测量。然而，这些基于测量的方法严重依赖于分割准确性并忽略各种视觉特征。
不同level和model上的四个深度流分别被视为全局图像流，分割网络，视盘区域流和视盘极化转换流。最后，融合不同流的输出概率作为最终筛选结果。
DENet特点
- Disc-aware
突出视盘区域中的上下文信息。 - Multi-level
结合 globel image 和 optic disk region - multi-model
分类、分割、几何变换
Pipeline
-
Global Fundus image level
-
数据增强：随机旋转（0/90/180/270度）和随机翻转
-
Global image stream
全局眼底图像的分类- 输入：224×224
- pre-trained ResNet50
- BCE loss
-
Segmentation-guided network
全局眼底图像 视盘分割 图像级别分类- 输入：640 ×640
- Unet
- 扩展了新分支 + 2FC 二分类
- Dice coefficient loss
-
-
Optic Disc region level
-
数据增强 ： 随机旋转（0/90/180/270度），裁剪漂移（±20像素）和随机翻转来完成
-
Disc region
局部视盘图像 分类- 输入：224×224
- pre-trained ResNet50
- BCE loss
-
Disc region with polar transformation
局部视盘图像 分类
杯状区域的比例比原始眼底图像中的比例增加并且更平衡- 输入：224×224
- pre-trained ResNet50
- BCE loss
-
Dataset
- ALL
resolution ： 3072× 2048
cropped disc region ：800 × 800
- Training set
ORIGA 650（168G、482N）
manually labelled ground truth of optic disc boundary
使用 ORIGA 做 disc segmentation 和glaucoma screening
- Test
SCES 1676 (46G,1630N)
SINDI 5783（5670N，113G）
Results
-
实验流分析：全局图像分类比分割网络分类结果更好，作者想原因可能是因为全局图像分类网络 使用了预训练的 resnet50 ； 使用4个流>3个流>2个流
-
实验经验：我们不使用加权和来对流进行整合，因为平均操作是一种简单而有效的方法，没有任何先验信息。
-
训练完后，测试/每张图片 运行时间快
-
高灵敏度
Discussion
-
集合深度网络，灵活 ， 容易适应不同的场景。
-
通过光盘分割来定位青光眼区域来做分类