Atomwh的专栏

本文提出了一种基于CNN的视网膜图像分割方法，对异常视网膜图像具有很好的鲁棒性。实验中使用经过改进的U-net网络对视网膜图像中的ILM和RPE进行分割并计算黄斑区域的视网膜厚度。

本文提出了一种新的深度学习网络结构-ReLayNet，用于正常人和DME患者的OCT图像层次分割。ReLayNet借鉴U-Net的思想，分为下采样和上采样两个步骤，在训练过程中同时使用了交叉熵和Dice overlap loss函数进行优化。实验结果与5个state-of-the-art的分割方法进行比较，该方法具有更好的表现。

深度学习已经在图像分类、检测、分割、高分辨率图像生成等诸多领域取得了突破性的成绩。但是它也存在一些问题。首先，它与传统的机器学习方法一样，通常假设训练数据与测试数据服从同样的分布，或者是在训练数据上的预测结果与在测试数据上的预测结果服从同样的分布。而实际上这两者存在一定的偏差，比如在测试数据上的预测准确率就通常比在训练数据上的要低，这就是过度拟合的问题。

CNN在基于弱监督学习的图像分割中的应用最近基于深度学习的图像分割技术一般依赖于卷积神经网络CNN的训练，训练过程中需要非常大量的标记图像，即一般要求训练图像中都要有精确的分割结果。

作者：taigw 链接：https://zhuanlan.zhihu.com/p/22045213 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处近些年来，深度卷积神经网络（DCNN）在图像分类和识别上取得了很显著的提高。回顾从2014到2016这两年多的时间，先后涌现出了R-CNN，Fast R-CNN, Faster R-CNN, ION,

①A Neural Network Approach to Retinal Layer Boundary Identification From Optical Coherence Tomography Images作者：Kevin McDonough and Ilya Kolmanovsky 来源：2015 IEEE  使用神经网络对视网膜图像中的每个像素进行二分类：属于层次中的像素与

Training Neural Networks with Very Little Data-A Draft作者：Hojjat Salehinejad 来源：Computer Vision and Pattern Recognition 2017 摘要：深度神经网络是由许多节点层组成的复杂架构，导致大量需要在训练中评估的参数，包括权重、偏差等。相比于简单的架构，更大、更复杂的神经网络需要更

Learning layer-specific edges for segmenting retinal layers with large deformations作者：S. P. K. KARRI 来源：2016 BOE 摘要：本文提出了一种结构化学习算法用于提升传统图论方法的分割效果，该算法同时检测独立的层和对应的边缘。算法基本原理是首先通过结构化随机森林获得层次边缘的概率图，之后使

1.Automated Classification between Age-related Macular Degeneration and Diabetic Macular Edema in OCT Image Using Image Segmentation作者：Jathurong Sugruk, Supaporn Kiattisin and Adisorn Lee1asantitham