17、视网膜病变分割与生物标志物发现的创新方法

视网膜病变分割与生物标志物发现的创新方法

在医学影像分析领域，视网膜病变的准确分割以及血管疾病生物标志物的发现一直是研究的重点。本文将介绍两种创新性的方法，一种是用于CSC病变分割的弱监督方法，另一种是基于OCTA图像的视网膜血管生物标志物发现框架。

弱监督的CSC病变分割方法

在CSC病变分割任务中，传统方法往往需要大量的像素级标注数据，而本文提出的弱监督方法仅需图像级标注数据，大大降低了标注成本。

关键步骤

1. 显著激活图生成
   - 利用分类网络学习突出包含显著异常特征的图，同时抑制包含正常组织或背景的特征值。通过公式 (M(x, y)=\sum_{i = 1}^{c}F_{i}) 获得显著激活图 (M\in R^{\frac{h}{8}\times\frac{w}{8}})。
   - 在定位病变位置时，比较了全局最大池化和全局平均池化。全局平均池化主要关注视网膜层结构信息，而全局最大池化能识别出最具区分性的区域，也就是我们要分割的部分区域，因此采用全局最大池化来确定病变的定位。
2. 特征传播学习生成软标签
   - 特征传播模块是一个类似U - Net的编码器 - 解码器网络。编码器部分保留ResNet - 50的结构，由5个残差块组组成，输入卷积层与预测模块共享权重。在训练过程中，编码器会生成五个显著图，并以相反的顺序传播到解码器作为参考图 (R_{i}(i\in{1, 2, 3, 4, 5}))。
   - 解码器的目标是利用两种特征传播策略突出病变区域，生成优化的软标签。特征传播机制定义为 (S_{i - 1}=R_{