Learning layer-specific edges for segmenting retinal layers with large deformations

作者：S. P. K. KARRI
來源：2016 BOE
摘要：本文提出了一種結構化學習演算法用於提升傳統圖論方法的分割效果，該演算法同時檢測獨立的層和對應的邊緣。演算法基本原理是首先通過結構化隨機森林獲得層次邊緣的概率圖，之後使用圖論方法進行精分割。實驗中的資料來自於杜克大學公開的10個DME患者的110張兩位專家標定過的OCT影象。最終實現的平均分割誤差為1.38個畫素，而目前最好的演算法分割誤差是1.68個畫素。

Induction

• 視網膜中層次的厚度與一些眼科疾病有關，因此需要更加具有魯棒性的影象分割演算法。
• 近些年來，圖論演算法，特別是動態規劃演算法，由於其良好的效能、較低的複雜度以及對噪聲的魯棒性而得到廣泛應用。
• 然而，當視網膜出現病變時，其層次結構發生了較大的變化，此時傳統的分割演算法的效果很不理想。由於病變結構多種多樣，分割難度較大。為了解決這個問題，出現了很多基於學習的方法。
• 隨機森林作為一種傳統的學習分類方法，由於其實現簡單、計算複雜度低、不容易過擬合等有點而被廣泛使用。然而原始的隨機森林為單值分類方法，不能用於2D影象塊的分類。為了將其引入二維空間，出現了結構化學習方法，如結構化的SVM、結構化的隨機森林，這些方法可以用於影象分割及影象的邊緣檢測。本文提出的演算法即是使用結構化隨機森林作為學習演算法，輸入的影象塊的特徵，輸出的對該影象塊的預測，如下圖：

structured random forests

隨機森林由多顆決策樹組成，多個決策樹的結果通過一定的規則運算得到隨機森林的結果。傳統的隨機森林只能夠進行標籤的分類，而結構化隨機森林能夠對2D的影象塊進行分類。訓練時使用的資料為：特徵影象塊、標籤影象塊以及對應的邊緣影象塊。

決策樹構建的過程中使用基尼不純度作為衡量標準，葉子節點上的影象塊代表該路徑對應的分類結果。

Method：

本文方法流程圖：

image-correction為影象歸一化過程；
extracting the image intensity and gradient features：提取灰度特徵、梯度特徵以及HOG特徵，考慮到影象可能發生尺度上的變化，提取特徵時將影象縮小1/2。因此總的特徵包括11個：原始尺度的灰度資訊，兩個尺度上的梯度資訊、兩個尺度4個方向上的HOG特徵。
The ‘n’ layer selection process：選擇某一層次的邊界，生成該邊界對應的Label image（BL）和contour image（BC）：

guided sampling process：影象塊提取過程；首先對BC進行膨脹，之後再膨脹後的白色區域位置對應的原始影象中選取32*32的影象塊，單個畫素生成的特徵影象塊為32*32*11，在訓練時會將特徵塊展開為一維向量。然後按照這個規則，在Label image和contour image對應位置選取16*16的影象塊。

資料：

來自杜克大學公開的DME資料集，包含10個DME患者的110張影象，其中每張影象含有兩名專家標定的8條層次線。訓練集為55張，測試集為55張。每個森林包含8課決策樹。

實驗分析：

三個衡量指標：
Metric 1: Mean absolute difference between the predicted contour and the expert contour along the column實驗結果與金標準之間的平均絕對誤差
Metric 2: Mean absolute difference in layer widths層次厚度的平均絕對誤差

注：AN：傳統圖論方法；AD：kernel-guided graph approach

分割結果圖片：

未來方向：

1. 結構化學習時考慮相鄰圖片之間的資訊
2. 將層次分割與病變預測結合起來

不足之處：

HoG依賴於梯度，而影象中由於血管陰影的存在導致的梯度資訊缺失會影響結果，目前的結構化隨機森林能夠處理少於16個畫素寬度的梯度資訊丟失。