《Retinal Abnormalities Recognition Using Regional Multitask Learning 》

《Retinal Abnormalities Recognition Using Regional Multitask Learning 》

1. For What Question?

2. Innovation point?

3. Implement

 

 

一、For What Question?

1. 患有眼球疾病的人数急剧增加

2. 同一个眼球图像可能会出现多种病症

3. 以往方法的缺点

   （1）以前基于深度学习的自动筛选的研究通常集中于特定类型的视网膜疾病，而缺乏对于同时患有多种结果眼病情况的思考
   （2）临床实践上，只能针对单一眼病的图像分割缺乏适用性和推广能力

 

二、Innovation point

1. 将多任务学习用于视网膜疾病分类，并在识别一般的眼球图像、有黄斑和视盘区域的三个主要视网膜疾病类别方面取得了显着改善

2. 制作了多标签的视网膜标签集

   扫描二维码关注公众号，回复： 11260512 查看本文章

3. 从实际的眼科医生如何观察眼底图像进行诊断受到启发，先观察眼球的整体图像，找出病症的大致区域，再着重的观察病症区域

4. 采用多流网络结构，使用三个子网分别从黄斑，视盘和整个眼底区域提取特征

5. 在检测病症区域时，改进了一个特征选择边界框，更好的框定分割病症区域

 

三、Implement

1. 实验结构图如下：

   

2. 可以看出作者所提出的所谓多流网络的结构，采用的是Yolo_v3作为主网络，Inception-Resnet作为三个子网络，对于图像进行分块的分割

3. 论文提出，在对图像进行分割之前，要对于黄斑和视盘区域进行检测。文中依据两种病症在临床上有着一定的集合约束，即病症的中心距离大约为眼球图像的三分之一的特点，提出了一个区域检测器。具体坐标如下：

   

4. 若是一处病症的区域模糊，而使得网络无法准确的识别出，还可以通过区域检测器借由一处已确定边界的病症，框选出对应的另一处病症，计算方式如下：