Fully Convolutional Networks for Monocular Retinal Depth Estimation and Optic Disc-Cup Segmentation
Sharath M Shankaranarayana, Keerthi Ram, Kaushik Mitra, Mohanasankar Sivaprakasam
青光眼是一种严重的眼部疾病，其筛查和诊断通过检查视神经乳头（ONH）来进行。彩色眼底图像（CFI）是用于眼部筛查的最常见的模态。在CFI中，中心R
Glaucoma is a serious ocular disorder for which the screening and diagnosis are carried out by the examination of the optic nerve head (ONH). The color fundus image (CFI) is the most common modality used for ocular screening. In CFI, the central r
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
继续探索
Monocular Retinal Depth Estimation and Joint Optic Disc and Cup Segmentation using Adversarial Networks
青光眼评估的重要参数之一是视神经乳头（ONH）评估，其通常涉及深度估计和随后的视盘和视杯边界提取。深度通常从光学相干断层扫描（OCT）等成像模式中明确获得，并且从单个RGB图像估计深度非常具有挑战性。为此，我们提出了一种使用对抗网络从单个图像预测深度图的新方法。使用来自INSPIRE立体数据集的单个视网膜图像来训练和评估所提出的深度估计技术。我们获得了一个非常高的平均相关系数为0.92五折交叉验证后优于最先进的状态。然后，我们使用的深度估计过程作为联合视盘和杯分割的代理任务。
G1020: A Benchmark Retinal Fundus Image Dataset for Computer-Aided Glaucoma Detection
用于自动青光眼检测的大型公开可用的视网膜眼底图像数据集的稀缺一直是人工智能成功应用于实际计算机辅助诊断（CAD）的瓶颈。一些小的数据集，可用于研究社区通常遭受不切实际的图像捕获条件和严格的纳入标准。现有数据集的选择已经有限，这些缺点使得成熟的CAD系统具有挑战性，以便它可以在现实世界的环境中执行。在本文中，我们提出了一个大型的公开可用的视网膜眼底图像数据集青光眼分类称为G1020。该数据集通过符合常规眼科学的标准实践进行管理，预计将作为青光眼检测的标准基准数据集。该数据库由1020个高分辨率彩色眼底图像组成，并为青光眼诊断、视盘和视杯分割、垂直杯盘比、下、上、鼻和颞象限中的神经视网膜边缘大小以及视盘的边界框位置提供了地面实况注释。我们还报告了通过进行广泛的实验进行自动青光眼诊断和分割视盘和视杯的基线结果。
Transfer Learning Through Weighted Loss Function and Group Normalization for Vessel Segmentation from Retinal Images
血管的血管结构在诊断视网膜疾病如青光眼和糖尿病视网膜病变中是重要的。这些血管的准确分割可以帮助检测视网膜对象，例如视盘和视杯，从而确定这些区域是否有损伤。此外，血管的结构可以帮助诊断青光眼。数字成像和计算机视觉技术的快速发展增加了开发视网膜血管分割方法的潜力。在本文中，我们提出了一种使用深度学习和迁移学习来分割视网膜血管的方法。我们调整了U-Net结构，使用定制的InceptionV 3作为编码器，并使用多个跳过连接来形成解码器。此外，我们使用加权损失函数来处理视网膜图像中的类别不平衡问题。此外，我们还为该领域提供了一个新的数据集。我们在六个公开的数据集和一个新创建的数据集上测试了我们的方法。我们取得了95.60%的平均准确率和80.98%的骰子系数。综合实验的结果表明，我们的方法的鲁棒性从不同的来源获得的视网膜图像中的血管分割。我们的方法比其他方法的分割精度更高。
Retinal Image Segmentation with a Structure-Texture Demixing Network
视网膜图像分割在疾病自动诊断中起着重要的作用。由于视网膜图像中混合了复杂的结构和纹理信息，并且难以区分这些信息，因此这项任务非常具有挑战性。现有的方法联合处理纹理和结构，这可能导致偏向于识别纹理的模型，从而导致较差的分割性能。为了解决这个问题，我们提出了一个分割策略，旨在分离结构和纹理组件，并显着提高性能。为此，我们设计了一个结构-纹理分离网络（STD-Net），可以更好地处理结构和纹理。对两个视网膜图像分割任务（即，血管分割、视盘和视杯分割）证明了所提出的方法的有效性。
CFEA: Collaborative Feature Ensembling Adaptation for Domain Adaptation in Unsupervised Optic Disc and Cup Segmentation
最近，深度神经网络在注释良好的数据集中表现出与董事会认证的眼科医生相当甚至更好的性能。然而，视网膜成像设备的多样性带来了一个重大挑战：域转移，这导致在将深度学习模型应用于新的测试域时性能下降。在本文中，我们提出了一种新的无监督域自适应框架，称为协作特征集成自适应（CFEA），以有效地克服这一挑战。我们提出的CFEA是一个交互式的范例，通过对抗学习和集成权重呈现出一种精致的协作适应。特别是，我们同时实现了域不变性，并保持了历史预测的指数移动平均值，这通过在训练期间集成权重来实现对未标记数据的更好预测。在不注释来自目标域的任何样本的情况下，编码器和解码器层中的多个对抗性损失引导域不变特征的提取，以混淆域分类器，同时有利于平滑权重的集成。综合实验结果表明，我们的CFEA模型可以克服性能下降，并优于国家的最先进的方法在分割视网膜视盘和杯眼底图像。\textit{Code is available at \url{https://github.com/cswin/AWC}}。
Robust Segmentation of Optic Disc and Cup from Fundus Images Using Deep Neural Networks
视盘（OD）和视杯（OC）是视网膜眼底图像中突出的临床感兴趣的区域。它们是昏迷状态的主要指标。随着深度学习在医疗保健研究中的出现和成功，已经提出了几种方法来分割视网膜眼底图像中的重要特征。我们提出了一种新的方法，同时分割的OD和OC使用残差编码器-解码器网络（REDNet）为基础的区域卷积神经网络（RCNN）。RED-RCNN是由Mask RCNN（MRCNN）驱动的。与最先进技术的性能比较以及对标准公开眼底图像数据集的广泛验证表明，与MRCNN相比，RED-RCNN具有更优越的性能。RED-RCNN导致OD分割的灵敏度、特异性、准确度、精密度、Dice和Jaccard指数分别为95.64%、99.9%、99.82%、95.68%、95.64%、91.65%，OD分割的灵敏度、特异性、准确度、精密度、Dice和Jaccard指数分别为91.44%、99.87%、99.83%、85.67%、87.48%、78.09%，用于OC分割。此外，我们使用基于获得的OD/OC分割计算的杯盘比（CDR）进行两阶段青光眼严重程度分级。RED-RCNN优于MRCNN的分割性能转化为青光眼严重程度分级的更高准确性。
Regression and Learning with Pixel-wise Attention for Retinal Fundus Glaucoma Segmentation and Detection
眼科医生观察视网膜眼底图像是青光眼的主要诊断方法。然而，仅通过人工观察仍然难以区分病变的特征，特别是在青光眼早期。在本文中，我们提出了两种基于深度学习的自动算法，用于青光眼检测和视盘和视杯分割。我们利用注意力机制来学习像素级特征以进行准确预测。特别是，我们提出了两个卷积神经网络，可以专注于学习各种像素级特征。此外，我们还开发了几种注意力策略来指导网络学习对预测准确性有重大影响的重要特征。我们在验证数据集上评估了我们的方法，提出的两个任务的解决方案可以取得令人印象深刻的结果，并优于当前最先进的方法。\textit{The code is available at \url{https://github.com/cswin/RLPA}}。
Attention Guided Network for Retinal Image Segmentation
在视网膜图像分割中，结构信息的学习是获得理想结果的关键。最近，卷积神经网络已经显示出提取有效表示的强大能力。然而，卷积和池化操作会过滤掉一些有用的结构信息。在本文中，我们提出了一个注意力引导网络（AG-Net），以保持结构信息和指导扩展操作。在我们的AG-Net中，引导滤波器被利用作为结构敏感的扩展路径，从以前的特征图中传递结构信息，并引入注意力块来排除噪声，进一步减少背景的负面影响。对两个视网膜图像分割任务（即，血管分割、视盘和视杯分割）证明了我们所提出的方法的有效性。
CADA: Multi-scale Collaborative Adversarial Domain Adaptation for Unsupervised Optic Disc and Cup Segmentation
视网膜成像设备的多样性带来了一个重大挑战：域转移，当将在一个域上训练的深度学习模型应用于新的测试域时，会导致性能下降。在本文中，我们提出了一个多尺度输入以及多个域适配器分层应用在特征和输出空间。提出的训练策略和新的无监督域自适应框架，称为协作对抗域自适应（CADA），可以有效地克服这一挑战。多尺度输入可以减少由于网络中用于特征提取的池化层而导致的信息损失，而我们提出的CADA是一种交互式范例，通过对抗性学习和在不同网络层集成权重来呈现精致的协作自适应。特别是，为了对未标记的目标域数据进行更好的预测，我们同时通过对抗性学习来实现域不变性和模型的泛化能力，这些学习来自不同级别的网络层的多尺度输出，并在训练期间保持历史权重的指数移动平均值（EMA）。在不注释来自目标域的任何样本的情况下，编码器和解码器层中的多个对抗性损失引导提取域不变特征以混淆域分类器。同时，通过EMA的权重集成减少了自适应多重学习的不确定性。综合实验结果表明，我们的CADA模型结合多尺度输入训练，可以克服性能下降，并优于最先进的领域自适应方法分割视网膜视盘和杯从眼底图像源于REFUGE，Drishti-GS，和Rim-One-r3数据集。
AADG: Automatic Augmentation for Domain Generalization on Retinal Image Segmentation
卷积神经网络在医学图像分割中得到了广泛的应用，并取得了良好的效果。然而，性能可能会受到训练数据（源域）和测试数据（目标域）之间的域间隙的显着影响。为了解决这个问题，我们提出了一种基于数据操作的领域泛化方法，称为自动增强领域泛化（AADG）。我们的AADG框架可以有效地对数据增强策略进行采样，这些策略可以生成新的域，并从适当的搜索空间中使训练集多样化。具体来说，我们引入了一种新的代理任务，最大限度地提高了多个增强的新领域之间的多样性，在一个单位球空间的Sinkhorn距离测量，使自动增强听话。采用对抗训练和深度强化学习来有效地搜索目标。对11个公开获取的眼底图像数据集（4个用于视网膜血管分割，4个用于视盘和杯（OD/OC）分割，3个用于视网膜病变分割）进行了全面的定量和定性实验。两个OCTA数据集的视网膜血管分割进一步参与验证跨模态泛化。我们提出的AADG具有最先进的泛化性能，并在视网膜血管，OD/OC和病变分割任务上优于现有方法。经验验证，学习到的策略是模型不可知的，可以很好地转移到其他模型。源代码可在https://github.com/CRazorback/AADG上获得。
JOINED : Prior Guided Multi-task Learning for Joint Optic Disc/Cup Segmentation and Fovea Detection
眼底照相已常规用于记录各种视网膜退行性疾病的存在和严重程度，例如年龄相关性黄斑变性、青光眼和糖尿病视网膜病变，其中中央凹、视盘（OD）和视杯（OC）是重要的解剖标志。这些解剖标志的识别具有重要的临床意义。然而，视网膜变性过程中病变、玻璃疣和其他异常的存在使自动界标检测和分割严重复杂化。大多数现有的作品对待每个标志的识别作为一个单一的任务，通常不利用任何临床先验信息。在本文中，我们提出了一种新的方法，名为JOINED，事先指导的多任务学习联合OD/OC分割和中心凹检测。除了分割分支和检测分支之外，还构造了用于距离预测的辅助分支，以有效地利用从每个图像像素到感兴趣的地标的距离信息。我们提出的JOINED管道由一个粗略的阶段和一个精细的阶段。在粗分割阶段，我们通过联合分割和检测模块获得OD/OC粗分割和中心凹的热图定位。然后，我们裁剪感兴趣的区域进行后续的精细处理，并使用在粗略阶段获得的预测作为附加信息，以获得更好的性能和更快的收敛速度。实验结果表明，我们提出的JOINED优于现有的国家的最先进的方法公开可用的眼底图像的数据集的伽马，PALM和REFUGE。此外，JOINED在MICCAI 2021研讨会OMIA 8主办的伽马挑战赛中，在OD/OC分割和中央凹检测任务中排名第五。
Clinically Verified Hybrid Deep Learning System for Retinal Ganglion Cells Aware Grading of Glaucomatous Progression
目的：青光眼是世界范围内第二大致盲性疾病。通过分析视网膜神经节细胞（RGC）的变性可以很容易地监测青光眼的进展。许多研究人员通过测量眼底和光学相干断层扫描的杯盘比来筛查青光眼。然而，本文提出了一种新的策略，注意RGC萎缩筛查神经胶质瘤的病理和分级其严重程度。研究方法：所提出的框架包括一个混合卷积网络，提取视网膜神经纤维层，神经节细胞与内丛状层和神经节细胞复合体区域，从而允许定量筛选的青光眼受试者。此外，通过分析这些区域的厚度，对筛选病例中青光眼的严重程度进行客观分级。结果如下：在公开的武装部队眼科研究所（AFIO）数据集上对所提出的框架进行了严格测试，其中诊断青光眼的F1得分为0.9577，提取RGC区域的平均骰子系数得分为0.8697，分级青光眼进展的准确性为0.9117。此外，所提出的框架的性能进行了临床验证与标记的四个专家眼科医生，达到统计学显着的皮尔逊相关系数为0.9236。结论：与最先进的解决方案相比，RGC变性的自动评估产生更好的昏迷筛查和分级。重要性：RGC-aware系统不仅可以筛查青光眼，还可以对其严重程度进行分级，在这里，我们提出了一种端到端的解决方案，该解决方案在标准化数据集上进行了全面评估，并在临床上经过验证，可用于分析青光眼病理。
UT-Net: Combining U-Net and Transformer for Joint Optic Disc and Cup Segmentation and Glaucoma Detection
青光眼是一种慢性视觉疾病，可能导致永久性不可逆的失明。杯盘比（CDR）的测量在早期青光眼的检测中起着关键作用，可预防视力差异。因此，从眼底图像中准确、自动地分割出视盘和视杯是一个基本的要求。现有的基于CNN的分割框架诉诸于构建具有积极下采样层的深度编码器，这在建模显式长距离依赖性方面受到普遍限制。为此，在本文中，我们提出了一个新的分割管道，称为UT-网络，利用U-网络和Transformer都在其编码层的优势，其次是注意力门控双线性融合方案。除此之外，我们还结合了多头上下文注意力，以增强传统视觉Transformer中使用的常规自我注意力。因此，低级特征以及全局依赖性以浅的方式被捕获。此外，我们在多个编码层提取上下文信息，以更好地探索感受野，并帮助模型学习深层层次表示。最后，提出了一种增强的混合损失，以严格监督整个学习过程。该模型已在三个公开可用的数据集上实现了联合OD和OC分割：DRISHTI-GS，RIM-ONE R3和REFUGE。此外，为了验证我们的建议，我们通过测量杯盘比（CDR）值对所有三个数据集的青光眼检测进行了详尽的实验。实验结果表明，UT-Net的优越性相比，国家的最先进的方法。
Deep Learning based Framework for Automatic Diagnosis of Glaucoma based on analysis of Focal Notching in the Optic Nerve Head
视网膜眼底图像的自动评估正在成为早期检测和治疗进行性眼病（如青光眼）的最重要工具之一。青光眼导致视力的进行性退化，其特征在于视杯形状的变形和血管的退化，导致沿着神经视网膜边缘形成凹口。在本文中，我们提出了一种基于深度学习的流水线，用于从数字眼底图像（DFI）中自动分割视盘（OD）和视杯（OC）区域，从而提取预测青光眼所需的独特特征。该方法利用神经视网膜边缘的焦点切迹分析以及杯盘比值作为分类参数，以提高计算机辅助设计（CAD）系统在分析青光眼中的准确性。基于支持向量的机器学习算法用于分类，其基于提取的特征将DFI分类为青光眼或正常。在免费提供的DRISHTI-GS数据集上对拟议的管道进行了评估，结果准确度为93.33%，用于检测DFI中的青光眼。
JOINEDTrans: Prior Guided Multi-task Transformer for Joint Optic Disc/Cup Segmentation and Fovea Detection
本文提出先验引导多任务Transformer框架JOINEDTrans，通过血管预训练编码器引入空间先验，结合粗细两阶段策略联合执行视盘/视杯分割与中心凹检测，在多个数据集上优于现有方法。
GARDNet: Robust Multi-View Network for Glaucoma Classification in Color Fundus Images
青光眼是最严重的眼部疾病之一，其特征在于快速进展并导致不可逆的失明。通常情况下，由于在疾病的早期阶段缺乏明显的症状，当一个人的视力已经显著下降时进行诊断。对人群进行定期青光眼筛查可以提高早期检测，但是由于人工诊断对有限数量的专家造成的过度负担，词源检查的理想频率通常不可行。由于青光眼检测的基本方法是分析眼底图像中视盘与视杯的比值，因此机器学习算法可以为图像处理和分类提供复杂的方法。在我们的工作中，我们提出了一种先进的图像预处理技术，结合深度分类模型的多视图网络来对青光眼进行分类。我们的青光眼自动视网膜检测网络（GARDNet）已在鹿特丹EyePACS AIROGS数据集上成功测试，AUC为0.92，然后在RIM-ONE DL数据集上进行了微调和测试，AUC为0.9308，优于最先进的0.9272。我们的代码可在https://github.com/ahmed1996said/gardnet上获得
Domain Generalization with Adversarial Intensity Attack for Medical Image Segmentation
针对医学图像分割中因域差异导致的泛化难题，提出对抗强度攻击（AdverIN）方法，利用对抗训练生成多样风格数据以学习域不变特征，显著提升了模型在多域分割数据集上的泛化能力。
3D Structural Phenotype of the Optic Nerve Head at the Intersection of Glaucoma and Myopia -- A Key to Improving Glaucoma Diagnosis in Myopic Populations
本研究利用OCT三维点云和集成网络，揭示了健康、高度近视、青光眼及高度近视合并青光眼四种状态下视神经乳头的不同结构表型，为改善近视人群青光眼诊断提供了关键依据。
REFUGE2 Challenge: A Treasure Trove for Multi-Dimension Analysis and Evaluation in Glaucoma Screening
随着人工智能（AI）在医学图像处理中的快速发展，彩色眼底照相（CFP）分析中的深度学习也在不断发展。虽然在眼科界有一些开源的、有标签的CFPs数据集，但用于筛查的大规模数据集只有疾病类别的标签，而带有眼底结构注释的数据集通常尺寸较小。此外，各数据集的标签标准不统一，也没有关于采集设备的明确信息。在这里，我们发布了一个多注释，多质量和多设备的彩色眼底图像数据集，用于青光眼分析的原始挑战-视网膜眼底青光眼挑战第二版（REFUGE 2）。REFUGE 2数据集包含2000个彩色眼底图像，其中注释了青光眼分类、视盘/视杯分割以及中央凹定位。同时，REFUGE 2挑战赛设置了青光眼自动诊断和眼底结构分析三个子任务，并提供了在线评估框架。针对多设备、多质量数据的特点，提出了一些具有较强推广性的方法，使预测更加稳健。这表明REFUGE 2关注了现实世界多领域数据的特点，弥合了科学研究和临床应用之间的差距。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈
发表机构由 AI 从论文文本抽取，如发现错误，欢迎反馈修正建议。