脉络膜视网膜OCT图像的分割基于CNN分类器和 - - - - - - 装配工

文摘

光学相干断层扫描(OCT)是一种非侵入性的横断面成像技术用于检查眼睛的视网膜结构和病理学。评估使用OCT图像脉络的厚度是巨大的利益为临床医师和研究人员监控脉络膜的厚度在许多眼部疾病诊断和管理。然而,手动分割和脉络膜厚度分析耗时导致低效率分析大量的OCT图像快速治疗的病人。在这篇文章中,一个自动分割方法基于卷积神经网络(CNN)分类器- - - - - - ( )健康提出了识别边界的脉络和生成厚度10月的脉络膜视网膜图像。的方法检测内部脉络膜的表面是光反射后出于它的生物学特性,而外层chorioscleral界面分割是转移到一个分类和拟合的问题。该方法测试的数据集临床10月获得视网膜图像与真实的临床医生。我们的计算结果证明该方法的有效性实现稳定和临床准确autosegmentation脉络。

1。介绍

脉络膜血管层位于视网膜和巩膜之间。它的内表面与视网膜色素上皮(RPE)布鲁赫膜(BM),并与巩膜外表面。最近的研究表明,脉络膜厚度的变化可能与一些眼部条件如黄斑变性和近视1- - - - - -4]。因此,分割和精确测量的厚度脉络的临床重要性。

光学相干层析技术(OCT)是一种获取地下半透明或不透明的材料与高分辨率的图像(5,6]。它使用low-coherence干涉法和成像反映内部组织生成的横断面图像。10月与传统成像方法相比,有一些明显的优点是无损,高分辨率,和微创性,已经广泛应用于眼部多年检测(3,7,8]。然而,成像在视网膜脉络膜的质量不够好10月图像由于短缺的穿透深度9]。脉络膜的分割的主要挑战来自低对比度下边界和未知噪声的图像,这将使检测结果不准确和不可靠的。

有效地细分脉络,许多研究人员研究了基于模型的方法与之前的假设输入图像的结构:a (10,11,活动轮廓12- - - - - -15],稀疏的高阶势[16),和2 d / 3 d图(17- - - - - -22)方法。这些传统方法的主要限制是它们高度依赖的特征提取阶段准确的分割。然而,提取适当的图像特征是困难的一个明确的医学图像识别问题,和传统的方法可以提供令人失望的分割结果。近年来,基于机器学习的方法取得了出色的表现,计算机视觉和医学图像分析。卷积神经网络(CNN)是一种广泛应用的图像处理方法和有效的在10月多层分割图像。隋等人用graph-searching-based分割技术学习最优图重量通过CNN架构(23]。马苏德等人提出了一个两级分割方法分割出BM和脉络膜和计算厚度地图24]。一系列形态学操作被用来段BM,脉络膜分段时使用CNN。方等人提出了一种新颖的框架结合CNN和图搜索方法(CNN-GS)段九层边界10月视网膜图像(25]。Alonso-Caneiro等人用fully-convolutional网络(FCN)基于图搜索技术理论段脉络膜的边界和从10月获得脉络膜的厚度轮廓图像(26]。也有一些其他优秀网络等10月图像分割型卷积网络(U-Net),这被认为是最广泛适用的体系结构用于医学图像分割(27,28]。

值得注意的是,许多基于机器学习方法的主要缺点,如CNN-GS FCN-GS, U-net,依赖大量的可用性监督/标记数据集。然而,医学图像手动标记需要高度专业技术,导致缺乏准确的标记数据的数量。此外,负样本的数量远远超过阳性样本的数量,即。,the pixels within a single OCT image are largely labeled as “0” (not contained in the Choroidal-Scleral interface boundary) as opposed to being positively labeled as “1” (contained in the Choroidal-Scleral interface boundary), which may affect the training results. In extreme cases, the loss of negative samples will dominate in the training process and may lead to a high accuracy even when the model predicts all the samples to be negative. Taking these into considerations, we propose an improved CNN model-based method which performs well on a small data set and reduces the adverse impact of unbalanced samples. With the choroid boundaries obtained by neural network, we further adopt a - - - - - - ( )曲线回归模型以适应脉络膜的层。这个模型可以确保不仅拟合精度,而且简单的拟合函数,导致一个更好的泛化分割结果。

本文组织如下。节2我们描述了该方法的细节,包括大英博物馆和Choroidal-Scleral接口的分割。实验评价和与其他方法的比较中讨论部分3。结论给出了部分4。

2。材料和方法

2.1。10月的数据

10月8日至13日岁的中国小学生的图像得到使用光谱域10月(SD-OCT Spectralis HRA + 10月,海德堡工程、德国)在香港理工大学视光学研究诊所。同意了来自两个孩子和他们的父母/监护人。研究协议已通过人体试验伦理委员会和香港理工大学见到赫尔辛基宣言的原则。10月横截面轴向分辨率的图像为3.9μ14 m和横向分辨率μm是获得使用光源(峰值波长870纳米)一起40000 a /秒的扫描速度。为了更好地捕捉脉络的边界,增强深度图像扫描模式。脉络膜然后手动分割使用内置的软件SD-OCT由训练有素的医生。有146标志着从108年10月视网膜图像的病人,我们把它们分成训练集70图片,其余分为在测试集。在我们的实验中,所有的OCT图像预处理与灰色图像的大小 ( )像素。

2.2。概述

该方法分为两个部分:BM分割和Choroidal-Scleral界面分割。生理组织中提到这项工作是由不同的颜色在图可视化1真实,红色曲线标记已知的由临床医生提供。BM分割,我们开始认识到RPE的近似位置,即10月视网膜图像中最亮的一层。然后我们确定大英博物馆附近的RPE的生理特性。大英博物馆的提取后,我们考虑段Choroidal-Scleral界面过程分为两个阶段:(1)10月的图像分割成小片和输入到CNN建立分类器。Choroidal-Scleral接口通过补丁的可能性增加预报值的接近1。(2)根据预测的值生成一个热图补丁。选择合适的点在地图和适应这些点获得的曲线Choroidal-Scleral接口。

细节将在以后的章节讨论。

我们的数值实验摘要中实现Tensorflow 1.13.1, Python 3.6.6,和Cuda 9.0,运行在一个服务器2特斯拉P100-PCIE GPU在1.3285 GHz 16 GB的内存和64位操作系统在大学研究机构在大数据分析(UBDA)的香港理工大学。(UBDA网站:https://www.polyu.edu.hk/ubda/。)

2.3。视网膜色素上皮细胞识别

由于RPE所有10月视网膜图像中最亮的部分光的反射后,我们可以找到RPE的近似位置。关于10月形象 与最大的像素值矩阵,每一列可以找到和用 , 。拟合点 然后我们可以得到一条曲线躺在RPE的地区。在这里,我们采用立方回归方法考虑到RPE的简单曲线的高精度提取点。

2.4。布鲁赫膜分割

从图1,我们可以观察到大英博物馆是RPE之间的边界和脉络,和下面的曲线在前面的步骤中提取。因此,我们要找到合适的点 , 在附近的低 ,在哪里最大的区别是在大小列。在我们的实验中,集 获得在该地区之间的和 ; 代表每一列是5像素点的曲线低于相应的点 。两条曲线之间的宽度决定的观察RPE的厚度大约是10月5像素图像。最后,通过拟合曲线点 被认为是大英博物馆。一些BM分割图所示的结果2;我们可以发现我们的结果真实曲线(绿色)和BM(红色曲线)相互配合。为每个图像计算错误 在哪里和代表的相应数量的行列在我们的结果和真实BM,分别。76个测试图像的平均误差和方差是1.5189和1.1325。

2.5。Choroidal-Scleral界面分割

在本节中,我们提出了基于CNN分类器的方法和细节 - - - - - - ( )钳工段Choroidal-Scleral界面。

2.5.1。数据预处理和剪裁

为了提高识别精度较低的脉络膜的边界,我们先删除无关的信息在上面的OCT图像大英博物馆。一个大补丁的大小可能导致少量的样本,而一个小补丁的大小会导致缺乏特征的样本。在我们建议的方法,我们从训练集图像切成一群广场补丁 像素从左到右,从上到下步长为8。

为每一个 minipatch,如果真实穿过它 中心区域,这minipatch将标记为“1”(阳性样本)和“0”(负样本)。如图3,minipatch红色标记为“1”和minipatch用黄色标记为“0。“中间的蓝色框识别区域的大小 像素。在[24),标准定义积极真实样品是标志着穿过 补丁,否则是负样本。因此,积极的样本的数量(24超过我们,正负样本的比例相对平衡。然而,积极的样品的边缘通过真实标记可能会影响提取的特征在训练过程。因此,我们设置了 识别区域在我们的样本来避免这个问题。完成标记后,层分割问题转换为二进制分类问题。

2.5.2。CNN的培训

神经网络的结构用于我们的工作是Lenet-5模型(29日]。它包括3卷积完全连接层和3层,在表所示1。每个卷积层由一层卷积和的函数局部反应正常化。3连续卷积层的目的是提取特征和原始数据映射到特征空间。在每个卷积层是内核大小 。在特征提取过程中,3完全连接层排列提供一个分类。

在这个CNN模型应用到段脉络膜之前,有必要pretrain利用训练数据。数据预处理和剪裁后,我们可以得到260000补丁修改后的训练集与标签。在这些补丁中,大约24000个样本是在线1标签样品,而其他236000个补丁离线样本标签0。注意正负样本的比例大约是1:11因为制作样品和专业的图像。正如前面提到的,不平衡样本对训练结果,将有负面影响,有必要提供一个合理的解决方案。清晰显示,我们使用 代表CNN模型;然后,输入补丁之间的关系和输出值可以表示为 在哪里是我们的输入和th补丁CNN模型中参数的设置。样本不平衡的问题,在线样本的比例,和离线样本大约是1:11是我们收养一个损失函数被称之为局部损失(30.]: 在哪里的标签对应的补丁, 确保更高的罕见的在线样品重量,和 提供了一个更高的体重样品很难被分类。

焦损失,提出了一种动态缩放叉损失函数,处理样品的不平衡(30.]。从公式(3),我们可以发现的价值损失函数与更高的减少 ,这意味着类较低的精度将主导网络培训。

接下来,我们需要最小化 。让 ,问题可以制定 在哪里表示输入补丁的总数。为了防止过度拟合在CNN,辍学正则化已使用(31日- - - - - -33]。在数值实验中,我们添加正则化的目标函数,以防止过度拟合;因此,正规化的问题是写成

自适应估计时刻(亚当)优化器(34)应用于解决问题(5)。

完成CNN模型的训练后,然后我们把它应用到段脉络。让 是一个矩阵的存储输出值对应于图像矩阵。在第一阶段,我们需要实现以下操作:(1)输入10月影像切成一群补丁的大小 从左到右,从上到下步长3。每一块匹配的子矩阵的大小 ,(2)输入这些补丁到训练有素的CNN模型并获得相应的预测价值,用为th补丁, 。相应的子矩阵中所有元素的值 ,(3)的元素值对应于th补丁所取代 。的元素值重叠的两个或四个补丁被加权平均价值。例如在图4,如果它是重叠的四个补丁th补丁的 ,它的元素值 ,(4)找到(即第二大元素。,the center element of three continuous largest elements) in each column of matrix作为理想的点。

上述过程的结果在图所示5,这是一个特殊的例子有很多噪音和错误的点。因此,我们需要进一步recorrect数据。

2.5.3。数据Recorrection

从上面的结果,我们注意到的主要脉络的面积可以精确地检测到。然而,可能会有一些误判,因为图像中干扰信息,和这些错误将负面影响分割结果如果我们直接适用于所有采样点没有过滤器。出于这个原因,随机样本共识(RANSAC)算法(35)应用于recorrect探测点。RANSAC算法估计参数的数学模型从一组观测数据,其中包含“局外人”的迭代。RANSAC在以下基本假设:(我)数据由“窗”,即。,the distribution of data can be explained by some set of model parameters.(2)“局外人”,不符合模型。(3)其他数据被视为噪声数据。

RANSAC,也假定存在一个估计模型参数的过程为一组给定的“窗”,和这个模型可以优化解释或合适的数据。

此外,一个形状约束规则是执行帮助识别轮廓,即脉络的位置总是低于大英博物馆。

2.5.4。装配工

这一步草图与recorrected脉络的外边界数据。通过观察地面真理,一个高阶多项式 适用于曲线拟合,以提高精度。此外,为了避免稳定的拟合函数过于复杂,我们最好设置一个相对稀疏的系数 。近年来, 正规化的高度关注和优势顺利,变量选择的凸正规化。出于这一点,由一个回归模型数据拟合和正则化项是用于确保多项式系数的稀疏。的回归模型如下: 在哪里

( )表示组recorrected坐标点, 是向量由拟合多项式系数, ,和 是一个参数。

一些现有的迭代再加权等方法(IRL1)和(IRL2)最小化算法已经广泛研究解决问题(6),[36- - - - - -39)和引用。我们采用混合正交匹配pursuit-smoothing梯度(OMP-SG)基于下界理论(36解决问题()6)。首先,我们使用OMP方法生成一个初始点和支持;然后,SG方法进一步减少的客观价值(6),最后,数值解的净化是通过删除条目与小值。框架的混合OMP-SG算法给出了算法1,在那里表示集合中元素的数量 。

我们感兴趣的读者参考36]OMP-SG算法的更多细节。此外,平滑函数用于SG方法 在哪里

是一个平滑参数。很容易验证是连续可微的固定吗 。

自 ,目标函数下面是有界的, 如果 。此外,当地的解问题(6)非空的和有界。根据定理2.2 (36),对于任何一个局部最小值的问题(6)满足 ,一个下界理论的非零项和一个上界 提出了如下。

定理1。让是一个局部最小值的问题(6)满足 对于任意给定的点 。让 ;然后,我们有 此外,非零项的数量是有界的

从上界定理1,非零元素的数量小于 。稀疏的依赖的选择吗 。一个充分条件解的问题(6)在(可以找到理想的稀疏40]。

输出结果的算法1,我们可以获得一个高阶多项式的系数向量以适应曲线如图6(一)。红色部分是recorrection的散射点,也就是说, ,和拟合曲线所示绿色。在图6 (b)真实,我们比较拟合结果和在绿色和红色,分别。图7显示了一些脉络与图像分割结果的测试集。这些例子显示回归拟合是视觉上合理和符合真实。

2.6。总结

在我们的实验中,我们设置 , , , ,和 。实现一个更稳定的拟合结果,我们选择的价值在(6)根据recorrection数据 给定的图像如下:(我) ,如果 和 ,(2) ,如果 或 ,(3) ,如果以上两个条件并不满意。

在图8,我们给流程图来显示我们的脉络细分方法的过程。RPE和BM公认第一的生理特征。标记补丁从10月减少图像用于火车CNN分类器。然后,输入图像可以被转移到一组点集具有高预测价值由训练有素的CNN模型。数据recorrection RANSAC方法后,剩余点是合适的 回归模型,拟合曲线所需的外部接口的脉络。因此,我们获得的分割结果脉络。

3所示。结果与讨论

在本节中,我们将讨论基于厚度的实验分析评价。我们给厚度的测量标准,然后比较平均误差,最大错误,骰子系数的实验结果与结果的方法(24]。

3.1。假设检验和T假设检验

我们使用Anderson-Darling测试来验证预测的平均厚度,临床医生和我们的模型与近似正态分布。因此,我们可以采用F假设检验和T假设检验分析厚度结果的方法。

通过假设检验,我们可以计算厚度结果的置信度。表示 厚度的样本集的元素表示平均脉络膜厚度由医务人员在一个10月形象。 是我们提出的厚度样本集的方法。首先,我们使用 - - - - - -测试来验证是否给定厚度样品之间的差异我们的厚度结果是相似的。(我) :之间没有显著差异的方差给定的样品和我们的样品结果(2) :之间有显著差异的方差给定的样品和我们的样品结果

的价值 - - - - - -测试是 在哪里和样本方差的吗和 ,分别。的的价值 - - - - - -测试是 ,也就是说,不能拒绝。换句话说,它可以保证结果的真实方法没有显著不同。

验证方差之后,下一步就是验证是否有显著区别两个样本集的平均值。(我) :之间没有显著差异的平均值给定的样品和我们的样品结果(2) :之间有显著差异的平均值给定的样品和我们的样品结果

的价值 - - - - - -测试是 在哪里和样本的平均值吗和 ,分别。的的价值 - - - - - -测试是 ,也就是说,不能拒绝。因此,我们的研究结果的平均值是不显著不同的数据由验光师。

3.2。最小距离法

在本部分中,我们比较的结果提出详细方法和其他方法。自从发现图像中的最小距离点直接将产生一个锯齿形的错误,我们计算距离的回归函数基于BM和脉络。定义一组横纵坐标的形象 ; 和代表了回归函数值 ,分别。最小距离方法从一个点开始 在脉络膜的曲线,然后找到对应点 在大英博物馆是最接近点 ,和计算这两个点之间的距离。如图9,黄线的长度。

厚度函数点 定义如下:

使用最小距离方法,我们可以通过我们的方法获得厚度结果。接下来,我们想展示一些测量比较我们的结果与其他方法。

3.3。平均误差和最大误差

为了评估厚度的结果,一个图像的平均误差和最大误差计算比较。平均误差通过计算 在哪里 为 代表在每幅图像的水平坐标,是厚度函数中定义(12),我们建议的方法,是厚度函数提供的眼科医生,图像的宽度( 摘要)。最大的错误是

3.4。骰子系数

骰子系数,一组度量函数比较,被认为是衡量该方法的分割结果之间的相似性和地面真理。它被定义为 在哪里设置和由像素的分割脉络膜的地区由我们提出方法和手动标记脉络膜的地区专家,分别。 表示集合中元素的数量 。

4所示。讨论

比较的细节 , ,和骰子系数在整个测试集(76张照片)是给定的表2。两级分割的方法是(24]证实它执行比一些传统方法如图切(41), - - - - - -意味着(41),和图搜索理论(26]。从表2,我们可以发现,该方法具有较小的平均误差和较大的骰子系数比两级分割,这意味着的有效性 - - - - - - 回归模型和其他改进方法。骰子系数的比较直观地显示在图10。黄色和红色的点代表的平均骰子系数方法和两级分割,分别。显然骰子系数数据显示我们提出的方法得到的通常优于由两级分割生成的数据。

5。结论

在本文中,我们提出并实现基于CNN分类器和一个自动分割方法 - - - - - - 健康检测脉络膜的地区。大英博物馆,旁边的内表面脉络,是由其生理特征分割与RPE的识别。提取Choroidal-Scleral接口的曲线,外表面的脉络,分为两个步骤。首先,我们把图片切成小片与标签“在线”或“离线”训练CNN分类器。焦损失函数和亚当优化器使用过程中培训CNN模型。然后,二进制分类问题是解决使用这个CNN模型输入测试图像。在获得预测值的机密数据,我们过滤错误RANSAC和噪声点的方法。在第二步中,我们采用 - - - - - - ( )回归模型适合离散和过滤点来生成所需的曲线。混合OMP-SG算法是用来解决 - - - - - - 最小化。分割结果在某些测试图像给出了图7。最后,我们讨论和评估实验结果平均误差、最大错误,骰子系数。与其他方法比较细节如表所示2说明该方法的有效性。借助该方法在autosegmentation OCT图像的脉络,脉络膜厚度的变化,以应对实验治疗或疾病可以有效地、准确地评估。

数据可用性

数据用于支持本研究的发现提供的验光研究诊所,学校的验光,香港理工大学,在许可证,所以不能免费提供。请求访问这些数据应该验光诊所在香港理工大学(Rachel Ka人春,rachel.chun@polyu.edu.hk)。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

本文部分支持的香港理工大学研究项目”的分析和应用的信息密度低信号处理”香港研究资助局,理大153016/16P,理大153000/17P,理大1-ZVS5,理大1-ZVN2,亨利·g·梁教授老年视力健康(8 - 8475)。作者要感谢香港理工大学视光学研究诊所提供10月图片和香港理工大学大学研究机构在大数据分析(UBDA)提供服务器的数值实验。

引用

1. m . Esmaeelpour b . Považay b·赫尔曼et al .,“三维1060 nm 10月:脉络膜厚度地图在正常受试者和改进后段可视化在白内障患者中,“调查眼科及视觉科学,51卷,不。10日,5260 - 5266年,2010页。视图:出版商的网站|谷歌学术搜索
2. 诉的希,m . Taha j . g .藤本和j·s·杜克,“脉络膜的厚度在正常的眼睛用卷高清光学相干断层扫描,测量”美国眼科杂志》,卷150,不。3、325 - 329页。e1, 2010年。视图:出版商的网站|谷歌学术搜索
3. r·马戈利斯和r·f·Spaide”的试点研究,增强深度成像光学相干断层扫描正常脉络膜的眼睛,“美国眼科杂志》,卷147,不。5,811 - 815年,2009页。视图:出版商的网站|谷歌学术搜索
4. s . a .阅读,m·j·柯林斯,s . j .文森特和d . Alonso-Caneiro脉络膜厚度在童年时代,“调查眼科及视觉科学,54卷,不。5,3586 - 3593年,2013页。视图:出版商的网站|谷歌学术搜索
5. w·德雷克斯勒和j .藤“视网膜最先进的光学相干断层扫描,”在视网膜和眼睛的研究进展,27卷,不。1,45 - 88年,2008页。视图:出版商的网站|谷歌学术搜索
6. d, e . a . Swanson c·p·林et al .,“光学相干断层扫描,”科学,卷254,不。5035年,第1181 - 1178页,1991年。视图:出版商的网站|谷歌学术搜索
7. r·f·Spaide h .小泉,m . c . Pozonni”增强深度spectral-domain光学相干断层扫描成像,”美国眼科杂志》,卷146,不。4、496 - 500年,2008页。视图:出版商的网站|谷歌学术搜索
8. m . Wojtkowski b Kaluzny, r . j .泽瓦茨基”眼科光学相干断层扫描、新方向”视光学和视觉科学,卷89,不。5,524 - 542年,2012页。视图:出版商的网站|谷歌学术搜索
9. 经济特区,m . Altınışıkİ。a . Koytak, m·h·奥兹德米尔“脉络和光学相干断层扫描”,土耳其眼科杂志》,46卷,不。1,30-37,2016页。视图:出版商的网站|谷歌学术搜索
10. h .石川d . m . Stein g . Wollstein s Beaton j·g .藤本和j·s·舒曼,“黄斑分割与光学相干断层扫描,”调查眼科及视觉科学,46卷,不。6,2012 - 2017年,2005页。视图:出版商的网站|谷歌学术搜索
11. d . Koozekanani k·波伊尔,c·罗伯茨,“视网膜厚度测量的光学相干断层扫描使用马尔可夫模型边界,”IEEE医学成像,20卷,不。9日,第916 - 900页,2001年。视图:出版商的网站|谷歌学术搜索
12. s Farsiu s . j .赵j . a . Izatt和c·a·托斯,“快速检测和分割视网膜脉络膜小疣的光学相干断层扫描图像,”眼科技术十八68440 d条,卷。6844年,国际社会对于光学和光子学,2008。视图:出版商的网站|谷歌学术搜索
13. m·a·梅耶j . Hornegger c . y .马尔丁省和r . p . Tornow“视网膜神经纤维层分割fd-oct扫描正常受试者和青光眼病人,”生物医学光学表达,1卷,不。5,1358 - 1383年,2010页。视图:出版商的网站|谷歌学术搜索
14. b . m . Mujat r . c . Chan用香熏et al .,“视网膜神经纤维层厚度地图确定从光学相干断层扫描图像,”光学表达,13卷,不。23日,第9491 - 9480页,2005年。视图:出版商的网站|谷歌学术搜索
15. 妞妞,l . de Sisternes问:陈,t .愣,d·l·鲁宾,“自动化地理萎缩分割sd-oct图像使用提出CV模型通过当地的相似因素,”生物医学光学表达,7卷,不。2、581 - 600年,2016页。视图:出版商的网站|谷歌学术搜索
16. j·奥利维拉,佩雷拉,l . Goncalves m·费雷拉和c·a·席尔瓦,”多与amd oct图像分割使用稀疏的高阶势,“生物医学光学表达,8卷,不。1,第297 - 281页,2017。视图:出版商的网站|谷歌学术搜索
17. 新建,m . Niemeijer李张Kyungmoo Lee m·d·艾布拉姆和m . Sonka”的三维分割fluid-associated异常视网膜10月:概率约束graph-search-graph-cut,”IEEE医学成像没有,卷。31日。8,1521 - 1531年,2012页。视图:出版商的网站|谷歌学术搜索
18. s . j .赵x t·李·尼古拉斯·c·a·托斯j . a . Izatt和s . Farsiu”sdoct七层视网膜图像的自动分割与专家手工分割,“光学表达,18卷,不。18日,第19428 - 19413页,2010年。视图:出版商的网站|谷歌学术搜索
19. d·b·凯勒Cunefare d . s . Grewal编写,t·h·马哈茂德·j·a . Izatt和s . Farsiu”Length-adaptive图搜索自动分割病理特性在光学相干断层扫描图像,”《生物医学光学,21卷,不。7日,第076015条,2016年。视图:出版商的网站|谷歌学术搜索
20. f . LaRocca s . j .赵r . p . McNabb a . n .郭j . a . Izatt和s . Farsiu“健壮的自动分割角膜层边界sdoct图像中利用图论和动态规划,“生物医学光学表达,卷2,不。6,1524 - 1538年,2011页。视图:出版商的网站|谷歌学术搜索
21. s·j·p·p·斯里尼瓦桑Heflin, j . a . Izatt v . y . Arshavsky和s . Farsiu”自动分割的十层边界sd-oct老鼠视网膜有无丢失的图像层由于病理,”生物医学光学表达,5卷,不。2、348 - 365年,2014页。视图:出版商的网站|谷歌学术搜索
22. j .田b·巴尔加通用Somfai W.-H。李、w·e·Smiddy和d·卡布瑞拉DeBuc,“实时自动分割的光学相干断层扫描的黄斑体积数据区域,”《公共科学图书馆•综合》,10卷,不。8篇文章e0133908 2015。视图:出版商的网站|谷歌学术搜索
23. 魏x, y, b . et al .,“脉络细分从光学相干断层扫描graph-edge权重从深卷积神经网络,”Neurocomputing卷,237年,第341 - 332页,2017年。视图:出版商的网站|谷歌学术搜索
24. 李·m·马苏德,r .方,p . et al .,“自动脉络膜层分割的光学相干断层扫描图像,采用深度学习”科学报告,9卷,不。1队,2019页。视图:出版商的网站|谷歌学术搜索
25. l .方d . Cunefare c . Wang r·h·Guymer s . Li和s . Farsiu”10月9视网膜层边界图像的自动分割nonexudative amd患者使用深度学习和图搜索,“生物医学光学表达,8卷,不。5,2732 - 2744年,2017页。视图:出版商的网站|谷歌学术搜索
26. d . Alonso-Caneiro s a读和m·j·柯林斯“自动分割脉络膜厚度的光学相干断层扫描,”生物医学光学表达,4卷,不。12日,第2812 - 2795页,2013年。视图:出版商的网站|谷歌学术搜索
27. 陈x, x, y, w•朱y风扇,和f·史,“脉络细分10月图像基于改进u-net”医学成像2019:图像处理1094921条,卷。10949年,国际社会对于光学和光子学,2019。视图:出版商的网站|谷歌学术搜索
28. o . Ronneberger、p·费舍尔和t . Brox”U-net:卷积网络生物医学图像分割”医学影像计算和计算机辅助介入的国际会议施普林格,页234 - 241年,2015年。视图:谷歌学术搜索
29. y LeCun (l . Bottou y Bengio, p . Haffner“Gradient-based学习应用于文档识别,”IEEE学报》,卷86,不。11日,第2324 - 2278页,1998年。视图:出版商的网站|谷歌学术搜索
30. T.-Y。林,p . Goyal r . Girshick k .他和p .美元,“焦损失密集的对象检测,”2017年IEEE计算机视觉国际会议(ICCV),第2988 - 2980页,威尼斯,意大利,2017年。视图:出版商的网站|谷歌学术搜索
31. a . y . Ng”,特征选择,vs。正规化和旋转不变性,”21国际会议上机器学习——ICML”04美国,纽约,2004年。视图:出版商的网站|谷歌学术搜索
32. 斯利瓦斯塔瓦,改善神经网络与辍学,多伦多大学(女士论文)多伦多大学,2013。
33. n .斯利瓦斯塔瓦辛顿,a . Krizhevsky Sutskever,和r . Salakhutdinov”辍学:一个简单的方法来防止神经网络过度拟合,“机器学习的研究》杂志上,15卷,不。1,第1958 - 1929页,2014。视图:出版商的网站|谷歌学术搜索
34. d . p . Kingma和j .英航“亚当:随机优化方法,”学习国际会议上表示(ICLR)美国加州圣地亚哥分校,2015年。视图:谷歌学术搜索
35. m·a . >和r·c·葛”随机样本的共识。”ACM的通信,24卷,不。6,381 - 395年,1981页。视图:出版商的网站|谷歌学术搜索
36. f . x Chen徐,y你们“下界理论解的非零项最小化。”暹罗期刊在科学计算,32卷,不。5,2832 - 2852年,2010页。视图:出版商的网站|谷歌学术搜索
37. x陈和w·周”,再加权的收敛最小化算法最小化。”计算优化和应用程序卷,59号1 - 2,页47 - 61,2014。视图:出版商的网站|谷歌学术搜索
38. z,“迭代再加权最小化的方法p正规化无约束非线性规划。”数学规划,卷147,不。1 - 2、277 - 307年,2014页。视图:出版商的网站|谷歌学术搜索
39. 蔡明俊。赖和j·王”,一个不受限制最小化与< q≤1 0 <问≤1稀疏欠定的线性系统的解决方案,“暹罗杂志上优化,21卷,不。1,第101 - 82页,2011。视图:出版商的网站|谷歌学术搜索
40. 陈x, d .通用电气、z . Wang和y你们”,无约束的复杂性最小化。”数学规划,卷143,不。1 - 2、371 - 383年,2014页。视图:出版商的网站|谷歌学术搜索
41. h . Danesh r . Kafieh、h·拉巴尼和f . Hajizadeh”分割的脉络膜的边界增强深度成像10月削减使用基于一个多分辨率纹理建模图,“计算和数学方法在医学ID 479268条,卷。2014年,9页,2014。视图:出版商的网站|谷歌学术搜索

版权

版权©2021方等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。