[论文解读] Automated Segmentation of the Optic Disk and Cup using Dual-Stage Fully Convolutional Networks

Lei Bi, Yuyu Guo+4 more|arXiv (Cornell University)|Feb 13, 2019

Retinal Imaging and Analysis参考文献 18被引用 3

一句话总结

本文提出了一种双阶段全卷积网络（DSFCN），用于在眼底彩色照相中自动分割视盘和视杯，通过利用前一阶段的预测结果进行迭代优化，以提高边界精度。该方法在REFUGE挑战数据集上取得了视杯Dice分数0.8488和视盘Dice分数0.9441，以及0.9513的青光眼检测AUC，优于传统FCN方法。

ABSTRACT

Automated segmentation of the optic cup and disk on retinal fundus images is fundamental for the automated detection / analysis of glaucoma. Traditional segmentation approaches depend heavily upon hand-crafted features and a priori knowledge of the user. As such, these methods are difficult to be adapt to the clinical environment. Recently, deep learning methods based on fully convolutional networks (FCNs) have been successful in resolving segmentation problems. However, the reliance on large annotated training data is problematic when dealing with medical images. If a sufficient amount of annotated training data to cover all possible variations is not available, FCNs do not provide accurate segmentation. In addition, FCNs have a large receptive field in the convolutional layers, and hence produce coarse outputs of boundaries. Hence, we propose a new fully automated method that we refer to as a dual-stage fully convolutional networks (DSFCN). Our approach leverages deep residual architectures and FCNs and learns and infers the location of the optic cup and disk in a step-wise manner with fine-grained details. During training, our approach learns from the training data and the estimated results derived from the previous iteration. The ability to learn from the previous iteration optimizes the learning of the optic cup and the disk boundaries. During testing (prediction), DSFCN uses test (input) images and the estimated probability map derived from previous iterations to gradually improve the segmentation accuracy. Our method achieved an average Dice co-efficient of 0.8488 and 0.9441 for optic cup and disk segmentation and an area under curve (AUC) of 0.9513 for glaucoma detection.

研究动机与目标

• 解决传统手工设计特征方法在视盘和视杯分割中的局限性。
• 克服标准全卷积网络（FCNs）在标注数据有限和边界预测粗糙方面面临的挑战。
• 开发一种完全自动化、端到端的方法，通过迭代优化预测结果来提升分割精度。
• 改善视杯和视盘边界的描绘，以实现更可靠的青光眼检测。
• 在REFUGE挑战数据集上验证该方法，该数据集是视盘和视杯分割的基准测试集。

提出的方法

• 所提出的DSFCN采用双阶段架构，其中第二阶段利用前一阶段的输入图像和预测概率图对第一阶段的输出进行优化。
• 网络采用深度残差结构，以提升特征学习能力并改善训练过程中的梯度流动。
• 在训练过程中，模型同时从真实标注和自身先前的预测中学习，从而实现边界细节的逐步优化。
• 在推理阶段，将测试图像和前一阶段生成的概率图作为下一阶段的输入，实现分割结果的迭代改进。
• 该方法使用全卷积层以保持空间分辨率，实现在整幅图像上的密集像素级预测。
• 网络采用多尺度损失函数进行端到端训练，以同时优化全局和局部的分割精度。

实验结果

研究问题

• RQ1 与单阶段FCN相比，双阶段FCN架构是否能提升视杯和视盘分割的准确性？
• RQ2 利用前一阶段预测结果进行的迭代优化是否能增强眼底图像中的边界描绘？
• RQ3 在标注数据有限的情况下，该方法能否在多样化的眼底图像中实现良好泛化？
• RQ4 DSFCN在REFUGE挑战等基准数据集上的表现如何？
• RQ5 通过精确分割，该方法在多大程度上提升了青光眼检测的性能？

主要发现

• DSFCN在视杯分割中取得了0.8488的Dice系数，表明与真实标注具有较强的重叠度。
• 该方法在视盘分割中获得了0.9441的Dice分数，显示出在视盘边界检测中具有高精度。
• 模型在青光眼检测中实现了0.9513的曲线下面积（AUC），反映出优异的诊断性能。
• 与标准FCN基线相比，迭代优化机制显著提升了边界精度。
• 该方法在包含多样化且具有挑战性的眼底图像的REFUGE挑战数据集上表现出良好的鲁棒性。
• 在推理过程中利用前一阶段生成的预测概率图，实现了分割质量的逐步提升。