【医学+深度论文：F33】2017Glaucoma detection using entropy sampling and ensemble learning for automatic optic

【医学+深度论文：F33】2017Glaucoma detection using entropy sampling and ensemble learning for automatic optic

33

2017
Computerized Medical Imaging and Graphics

Glaucoma detection using entropy sampling and ensemble learning for automatic optic cup and disc segmentation

Method ： 分割
Dataset： DRISHTI-GS
Architecture： entropy sampling and ensemble learning
Results: F 0.973

Method

• Preprocessing

• crop
  在绿色通道采用圆形霍夫变换 对视盘定位
  crop ， 使视盘和视杯在剪裁中心，减少计算负担，更多关注 ROI

• 转换颜色空间
  增强了视杯视盘相对于背景的对比度

• Entropy sampling

解决问题：像素级信息高度冗余，相邻像素往往提供高度相关的信息。

选择信息量最大的点，规避了等概率均匀采样的缺陷
计算总熵，抑制噪声

优点：使算法更容易学习OD，OC，背景之间的区别；可以识别重要地标上的信息点，可以从有限样本中提取更多地信息

• CNNs

  • 利用采样点 设计 a novel learning framework for convolutional filters based on boosting
  • softmax 分类
  • 分类器的输出采用无监督图割算法，进行 convex hull transformation 得到最终的分割结果

特点

• instead of backpropagation we adopt a greedy approach where each stage of filters is learned sequentially using boosting;
• each stage considers the final classification error to update itself and not the error backpropagated through the next stages;
• ourmethod operates on patch level data instead ofimage level data used for traditional CNNs.

In summary our proposed method is a ensemble learning system inspired from traditional CNNs and is an effective approach to learn convolutional filters in the absence of large numbers of training data.

Discussion

• 提出了一种新的熵采样方法，该方法在大大减少计算量的同时，性能优于简单的均匀采样方法。
• 在此基础上，描述了一种基于重加权增强原理学习卷积滤波器的原始框架

limitation

• data 太少 ，50 张
• 不像 使用反向传播的 CNNs 那样有方向性
• 熵采样 需要进一步研究（采样多的点没有改善结果）