眼底水肿病变区域自动分割

链接

背景

• 视网膜水肿是一种眼疾，可导致视力模糊，影响正常生活。

• OCT（光学相干断层扫描）可用于帮助医生判断视网膜水肿。

• 早期发现水肿症状可以在疾病的治疗中发挥关键作用。

• 我们的任务是设计算法，以自动检测视网膜水肿的类型，并根据OCT图像划分视网膜水肿区域。

数据统计信息

数据可视化

• 视网膜边缘弯曲

• 病变之间的包含关系

数据处理

堆叠上部和下部切片以形成三通道输入

正则化

数据增强（仅随机水平翻转）

问题和挑战

这两项任务（分割和检测）如何相互促进？ •多任务学习框架

多尺度的视网膜水肿病变
•UNet和UNet ++
三种视网膜水肿样本不平衡
•指数对数损失
如何扩大感受野以检测边缘弯曲？
•扩张模块

基线

分段 - UNet
•下采样16×
•频道：[16,32,64,128,256]•输入：原始图像
检测 - ResNet18
•调整大小224 * 224

多任务框架

• 共同学习分割和检测

• 减少时间和计算成本

• 改善两项任务的效果

UNet ++和DeepSupervision

• 密集的未来联系

• 深度监督

• 更有效地融合低级和高级功能

Exponential Logarithmic Loss

x : pixel position d il : Kronecker delta
i : label e : pseudocount for
l : ground truth label at x
p i ( x ) : Softmax probability which acts as the portion of pixel
x owned by label i



小物件怎么样？
细分？（2,3级）

扩张模块

感受野计算公式

UNet编码器的接收域




大对象怎么样？
细分？（第1类）

实验摘要

Memory : 7.3 G(batch=8), Inference time : 9.5 s/patient

可视化

未来工作

• 检测框架（Mask R-CNN）

• 3D语义分割模型

• 在骨干中使用Res-block或Dense-block

• 考虑病变的关系

结论

构建端到端的多任务框架，可以同时检测和分割视网膜水肿病变。
•使用最新的UNet ++模型更好地集成高级和低级功能。
使用新的指数对数损失函数来增强两种类型的小病变的分割。
•引入扩张卷积模块，显着增加模型的感受野。
只有随机水平翻转数据增强，没有后期处理。
•测试装置上单个模型的骰子为0.736。 测试集上的融合模型的骰子为0.744，检测AUC为0.986。 另外，当我们设置批次为8时，推理阶段的记忆为7.3G，每个患者的推理时间为9.5s。