論文泛讀
1.Automated Classification between Age-related Macular Degeneration and Diabetic Macular Edema in OCT Image Using Image Segmentation
作者：Jathurong Sugruk, Supaporn Kiattisin and Adisorn Lee1asantitham
來源：The 2014 Biomedical Engineering International Conference
摘要：提出了一種基于圖像分割和二分類的方法對(duì)AMD和DME的OCT圖像進(jìn)行分類。分類的過程中涉及到病灶的定位和病灶特征的提取。實(shí)驗(yàn)過程中，10張AMD和6張DME的圖像，分類準(zhǔn)確率為87.5%。
病灶位置確定
2.Automated drusen segmentation and quantification in SD-OCT images
作者：Qiang Chen，Department of Radiology, Stanford University
來源：Medical Image Analysis 2013
摘要：提出了一種自動(dòng)分割玻璃膜疣的方法，同時(shí)結(jié)合正常視網(wǎng)膜的形態(tài)和結(jié)構(gòu)特征作為分割的先驗(yàn)信息。同時(shí)為了更準(zhǔn)確地分割玻璃膜疣的邊界，采用了將三維OCT圖像投影得到眼底圖像的方法。
本文提出方法流程圖：
數(shù)據(jù)：143只眼睛的體數(shù)據(jù)，其中99只為干性AMD患者。采集設(shè)備為CirrusHD-OCT 4000 device (Carl Zeiss Meditec, Inc., Dublin, CA)，每個(gè)體數(shù)據(jù)包含128張512*1024的圖像。
分割結(jié)果：
3.Automated drusen segmentation in fundus images for diagnosing age related macular degeneration
作者：M. Usman Akram, Sundus Mujtaba*, Anam Tariq
來源：2013 IEEE
摘要：本文提出了一種自動(dòng)分割彩色眼地圖中AMD病灶區(qū)域的方法。該方法首先定位可能的AMD區(qū)域，之后在這些區(qū)域中提出特征，使用SVM判斷其是否屬于AMD。
濾波器組為Gabor Filter Banks。
數(shù)據(jù)：STARE數(shù)據(jù)庫，400張700*605的圖像，其中有58張AMD患者的圖像。
分割結(jié)果：
4.Automated intraretinal segmentation of SDOCT images in normal and age-related macular degeneration eyes
作者：LUIS DE SISTERNES
來源：2017 BOE
摘要：本文提出了一種自動(dòng)分割A(yù)MD患者視網(wǎng)膜OCT黃斑圖像的方法。該方法采用基于加權(quán)中值濾波的迭代邊界分割算法獲得視網(wǎng)膜的10條邊界線。實(shí)驗(yàn)結(jié)果表明，針對(duì)健康圖像和AMD患者圖像的分割準(zhǔn)確率分別為98.15%和97.78%。
數(shù)據(jù)：114個(gè)健康人眼和255個(gè)AMD患者人眼數(shù)據(jù)。
分割結(jié)果：
MUE：mean unsigned positioning error
5.Transfer learning based classification of optical coherence tomography images with diabetic macular edema and dry age-related macular degeneration
作者：S. P. K. KARRI
來源：2017 BOE
摘要：本文通過Fine-turning在ImagNet上預(yù)訓(xùn)練的GoogleNet來識(shí)別視網(wǎng)膜中的病變部位。該算法的目標(biāo)在于表明在非醫(yī)學(xué)圖像上訓(xùn)練的CNN能夠經(jīng)過Fine-turns用于醫(yī)學(xué)圖像的處理。本文中處理對(duì)象為AMD和DME患者的OCT圖像。
數(shù)據(jù)：15個(gè)AMD、15個(gè)DME和15個(gè)正常人的體數(shù)據(jù)，來自杜克大學(xué)的實(shí)驗(yàn)室。每個(gè)類型中選出8個(gè)體數(shù)據(jù)作為訓(xùn)練集。
實(shí)驗(yàn)結(jié)果：
未來的工作會(huì)將這些不同的響應(yīng)合并成一個(gè)響應(yīng)圖像，以便更好地表示病灶區(qū)域
6.Machine learning based detection of agerelated macular degeneration (AMD) and diabetic macular edema (DME) from optical coherence tomography (OCT) images
作者：YU WANG Chinese Academy of Sciences（中國科學(xué)院）
來源：2016 BOE
摘要：本文提出了一種基于機(jī)器學(xué)習(xí)的方法對(duì)AMD、DME和正常人的OCT圖像進(jìn)行分類。分類中所使用的特征基于LCP和空間金字塔，同時(shí)使用Correlation-based Feature Subset（CFS）對(duì)特征進(jìn)行選擇，最后使用sequential minimal optimization（SMO，序列最小優(yōu)化算法）進(jìn)行分類，獲得了99.3%的準(zhǔn)確率。
算法流程圖如下：
數(shù)據(jù)：來自杜克大學(xué)的VIP實(shí)驗(yàn)室。數(shù)據(jù)包含15個(gè)AMD、15個(gè)DME和15個(gè)正常人的體數(shù)據(jù)。
實(shí)驗(yàn)分析：
7.Automated Staging of Age-Related Macular Degeneration Using Optical Coherence Tomography
作者：Freerk G. Venhuizen
來源：2017 IOVS
摘要：本文實(shí)現(xiàn)了一種基于機(jī)器學(xué)習(xí)的AMD患病程度的自動(dòng)分級(jí)系統(tǒng)。該系統(tǒng)可以在不對(duì)層次進(jìn)行分割的情況下將AMD患者的OCT圖像分為5個(gè)不同的階段：無AMD、早期AMD、中期AMD、晚期AMD+青光眼、晚期AMD+CNV。
不同階段AMD患者圖像示例：
方法流程圖：
數(shù)據(jù)：
來自1016個(gè)患者的3265個(gè)體數(shù)據(jù)，數(shù)據(jù)來源于European Genetic Database
實(shí)驗(yàn)結(jié)果：
8.Fully automated detection of diabetic macular edema and dry age-related macular degeneration from optical coherence tomography images
作者：Pratul P. Srinivasan Duke University
來源：2014BOE
摘要：本文提出了一種基于HOG算子和SVM的OCT圖像分類方法，將患者圖像分為AMD、DME和正常三個(gè)類別，三個(gè)類別的分類準(zhǔn)確率為100%、100%、86.67%。
流程圖：
數(shù)據(jù)：來自杜克大學(xué)的正常、AMD和DME患者體數(shù)據(jù)各15個(gè)。
實(shí)驗(yàn)結(jié)果：
論文精讀
1.Robust total retina thickness segmentation in optical coherence tomography images using convolutional neural networks
作者：FREERK G. VENHUIZEN
來源：2017 BOE
摘要：本文提出了一種基于CNN的視網(wǎng)膜圖像分割方法，對(duì)異常視網(wǎng)膜圖像具有很好的魯棒性。實(shí)驗(yàn)中使用經(jīng)過改進(jìn)的U-net網(wǎng)絡(luò)對(duì)視網(wǎng)膜圖像中的ILM和RPE進(jìn)行分割并計(jì)算黃斑區(qū)域的視網(wǎng)膜厚度，厚度的誤差為14±22.1um，好于另外兩種商業(yè)上廣泛使用的算法。（Heidelberg Eye Explorer software and Iowa reference algorithm）。
U-net的通用網(wǎng)絡(luò)結(jié)構(gòu)如下：
整個(gè)過程分為兩大步驟：
①下采樣
下采樣在神經(jīng)網(wǎng)絡(luò)中即為池化層，隨著池化的進(jìn)行，feature map逐漸變小，在這個(gè)過程中感受野逐步變大，可以更好地獲取圖像的上下文信息，但會(huì)丟失位置信息。感受野的計(jì)算公式為：
其中k為下采樣的次數(shù)，c為每次下采樣中卷積層的次數(shù)。
注：感受野（receive field）是指當(dāng)前feature map中的一個(gè)原子點(diǎn)P與輸入層中多少個(gè)原子個(gè)數(shù)相關(guān)。
②上采樣
為了彌補(bǔ)下采樣過程中圖像像素位置信息的丟失而添加的上采樣步驟。每次上采樣將圖像放大兩倍，多出的像素通過插值來獲得。之后結(jié)合同一層次中下采樣的feature map進(jìn)行卷積操作。
訓(xùn)練：
使用人工標(biāo)注的圖像進(jìn)行網(wǎng)絡(luò)的訓(xùn)練
誤差函數(shù)：
數(shù)據(jù)：130個(gè)體數(shù)據(jù)用作訓(xùn)練集，15個(gè)用作驗(yàn)證集，99個(gè)體數(shù)據(jù)用于驗(yàn)證集，其中包含33個(gè)早期AMD或健康人的數(shù)據(jù)，33個(gè)為中期AMD患者數(shù)據(jù)，33個(gè)為晚期患者數(shù)據(jù)。OCT數(shù)據(jù)來自于European Genetic Database。
實(shí)驗(yàn)結(jié)果：
2.ReLayNet: Retinal Layer and Fluid Segmentation of Macular Optical Coherence Tomography using Fully Convolutional Networks
作者：ABHIJIT GUHA ROY
來源：CVPR 2017
摘要：本文提出了一種新的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)-ReLayNet，用于正常人和DME患者的OCT圖像層次分割。ReLayNet借鑒U-Net的思想，分為下采樣和上采樣兩個(gè)步驟，在訓(xùn)練過程中同時(shí)使用了交叉熵和Dice overlap loss函數(shù)進(jìn)行優(yōu)化。實(shí)驗(yàn)結(jié)果與5個(gè)state-of-the-art的分割方法進(jìn)行比較，該方法具有更好的表現(xiàn)。
分割的層次：
最終結(jié)果是分為10個(gè)類別，其中7條邊界+視網(wǎng)膜上面區(qū)域（RaR）+RPE下面區(qū)域（RbR）+Fluid。
網(wǎng)絡(luò)結(jié)構(gòu)：
Pooling與Unpooling：
訓(xùn)練過程中的損失函數(shù)：
Weighted multi-class logistic loss:
Dice loss：
權(quán)值的初始化：
網(wǎng)絡(luò)訓(xùn)練：
總的損失函數(shù)：
整個(gè)過程：
數(shù)據(jù)：來自杜克大學(xué)的10個(gè)DME患者的數(shù)據(jù)，其中標(biāo)定數(shù)據(jù)110張。
分割結(jié)果：
實(shí)驗(yàn)分析：
評(píng)價(jià)指標(biāo)：
CE：estimated contour error for each layer分割的邊界誤差
Dice：Dice overlap score
MAD-LAT：the error in estimated thickness map厚度圖的誤差
本文方法不同參數(shù)的對(duì)比：驗(yàn)證skip connections、joint loss functions和depth of network：
黃斑中心不同區(qū)域的厚度差：
