论文泛读
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
来源：The 2014 Biomedical Engineering International Conference
摘要：提出了一种基于图像分割和二分类的方法对AMD和DME的OCT图像进行分类。分类的过程中涉及到病灶的定位和病灶特征的提取。实验过程中，10张AMD和6张DME的图像，分类准确率为87.5%。
病灶位置确定
2.Automated drusen segmentation and quantification in SD-OCT images
作者：Qiang Chen，Department of Radiology, Stanford University
来源：Medical Image Analysis 2013
摘要：提出了一种自动分割玻璃膜疣的方法，同时结合正常视网膜的形态和结构特征作为分割的先验信息。同时为了更准确地分割玻璃膜疣的边界，采用了将三维OCT图像投影得到眼底图像的方法。
本文提出方法流程图：
数据：143只眼睛的体数据，其中99只为干性AMD患者。采集设备为CirrusHD-OCT 4000 device (Carl Zeiss Meditec, Inc., Dublin, CA)，每个体数据包含128张512*1024的图像。
分割结果：
3.Automated drusen segmentation in fundus images for diagnosing age related macular degeneration
作者：M. Usman Akram, Sundus Mujtaba*, Anam Tariq
来源：2013 IEEE
摘要：本文提出了一种自动分割彩色眼地图中AMD病灶区域的方法。该方法首先定位可能的AMD区域，之后在这些区域中提出特征，使用SVM判断其是否属于AMD。
滤波器组为Gabor Filter Banks。
数据：STARE数据库，400张700*605的图像，其中有58张AMD患者的图像。
分割结果：
4.Automated intraretinal segmentation of SDOCT images in normal and age-related macular degeneration eyes
作者：LUIS DE SISTERNES
来源：2017 BOE
摘要：本文提出了一种自动分割AMD患者视网膜OCT黄斑图像的方法。该方法采用基于加权中值滤波的迭代边界分割算法获得视网膜的10条边界线。实验结果表明，针对健康图像和AMD患者图像的分割准确率分别为98.15%和97.78%。
数据：114个健康人眼和255个AMD患者人眼数据。
分割结果：
MUE：mean unsigned positioning error
5.Transfer learning based classification of optical coherence tomography images with diabetic macular edema and dry age-related macular degeneration
作者：S. P. K. KARRI
来源：2017 BOE
摘要：本文通过Fine-turning在ImagNet上预训练的GoogleNet来识别视网膜中的病变部位。该算法的目标在于表明在非医学图像上训练的CNN能够经过Fine-turns用于医学图像的处理。本文中处理对象为AMD和DME患者的OCT图像。
数据：15个AMD、15个DME和15个正常人的体数据，来自杜克大学的实验室。每个类型中选出8个体数据作为训练集。
实验结果：
未来的工作会将这些不同的响应合并成一个响应图像，以便更好地表示病灶区域
6.Machine learning based detection of agerelated macular degeneration (AMD) and diabetic macular edema (DME) from optical coherence tomography (OCT) images
作者：YU WANG Chinese Academy of Sciences（中国科学院）
来源：2016 BOE
摘要：本文提出了一种基于机器学习的方法对AMD、DME和正常人的OCT图像进行分类。分类中所使用的特征基于LCP和空间金字塔，同时使用Correlation-based Feature Subset（CFS）对特征进行选择，最后使用sequential minimal optimization（SMO，序列最小优化算法）进行分类，获得了99.3%的准确率。
算法流程图如下：
数据：来自杜克大学的VIP实验室。数据包含15个AMD、15个DME和15个正常人的体数据。
实验分析：
7.Automated Staging of Age-Related Macular Degeneration Using Optical Coherence Tomography
作者：Freerk G. Venhuizen
来源：2017 IOVS
摘要：本文实现了一种基于机器学习的AMD患病程度的自动分级系统。该系统可以在不对层次进行分割的情况下将AMD患者的OCT图像分为5个不同的阶段：无AMD、早期AMD、中期AMD、晚期AMD+青光眼、晚期AMD+CNV。
不同阶段AMD患者图像示例：
方法流程图：
数据：
来自1016个患者的3265个体数据，数据来源于European Genetic Database
实验结果：
8.Fully automated detection of diabetic macular edema and dry age-related macular degeneration from optical coherence tomography images
作者：Pratul P. Srinivasan Duke University
来源：2014BOE
摘要：本文提出了一种基于HOG算子和SVM的OCT图像分类方法，将患者图像分为AMD、DME和正常三个类别，三个类别的分类准确率为100%、100%、86.67%。
流程图：
数据：来自杜克大学的正常、AMD和DME患者体数据各15个。
实验结果：
论文精读
1.Robust total retina thickness segmentation in optical coherence tomography images using convolutional neural networks
作者：FREERK G. VENHUIZEN
来源：2017 BOE
摘要：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，厚度的误差为14±22.1um，好于另外两种商业上广泛使用的算法。（Heidelberg Eye Explorer software and Iowa reference algorithm）。
U-net的通用网络结构如下：
整个过程分为两大步骤：
①下采样
下采样在神经网络中即为池化层，随着池化的进行，feature map逐渐变小，在这个过程中感受野逐步变大，可以更好地获取图像的上下文信息，但会丢失位置信息。感受野的计算公式为：
其中k为下采样的次数，c为每次下采样中卷积层的次数。
注：感受野（receive field）是指当前feature map中的一个原子点P与输入层中多少个原子个数相关。
②上采样
为了弥补下采样过程中图像像素位置信息的丢失而添加的上采样步骤。每次上采样将图像放大两倍，多出的像素通过插值来获得。之后结合同一层次中下采样的feature map进行卷积操作。
训练：
使用人工标注的图像进行网络的训练
误差函数：
数据：130个体数据用作训练集，15个用作验证集，99个体数据用于验证集，其中包含33个早期AMD或健康人的数据，33个为中期AMD患者数据，33个为晚期患者数据。OCT数据来自于European Genetic Database。
实验结果：
2.ReLayNet: Retinal Layer and Fluid Segmentation of Macular Optical Coherence Tomography using Fully Convolutional Networks
作者：ABHIJIT GUHA ROY
来源：CVPR 2017
摘要：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。
分割的层次：
最终结果是分为10个类别，其中7条边界+视网膜上面区域（RaR）+RPE下面区域（RbR）+Fluid。
网络结构：
Pooling与Unpooling：
训练过程中的损失函数：
Weighted multi-class logistic loss:
Dice loss：
权值的初始化：
网络训练：
总的损失函数：
整个过程：
数据：来自杜克大学的10个DME患者的数据，其中标定数据110张。
分割结果：
实验分析：
评价指标：
CE：estimated contour error for each layer分割的边界误差
Dice：Dice overlap score
MAD-LAT：the error in estimated thickness map厚度图的误差
本文方法不同参数的对比：验证skip connections、joint loss functions和depth of network：
黄斑中心不同区域的厚度差：
