三维视网膜层分割中的通用小波单元-计算机科学-生物医学图像处理-计算机视觉-离散小波变换-图像分割.pdf

三维视网膜层分割中的通用小波单元

AnD.Le,HungNguyen,MelanieTran,JesseMost,

Dirk-UweG.Bartsch,WilliamRFreeman,ShyamangaBorooah,TruongQ.Nguyen,andCheolhongAn

JacobsSchoolofEngineering,UniversityofCaliforniaSanDiego,LaJolla,CA92093,USA

{d0le,hun004,tqn001,chan}@ucsd.edu

JacobsRetinaCenter,ShileyEyeInstitute,UniversityofCaliforniaSanDiego,LaJolla,CA92093,USA

{mdtran,jmost,dbartsch,wrfreeman,sborooah}@health.ucsd.edu

摘要—本文首次应用可调小波单元（UwUs）进行三维视网膜II.相关工作

层分割，数据来源于光学相干断层扫描（OCT）体积图像。为克

早期的OCT分割方法，如水平集模型[6,7]和基

服传统最大池化方法的局限性，我们将三种基于小波的下采样模

块——OrthLattUwU、BiorthLattUwU和LS-BiorthLattUwU于图的方法[8,9]，在鲁棒性和可扩展性方面存在限制，

——集成到运动校正后的MGU-Net架构中。这些模块使用可学特别是在病理情况下。随着深度学习的兴起，像U-Net

本习的格滤波器组来保留低频和高频特征，增强了空间细节和结构[10]、RelayNet[11]和级联FCNs[12]这样的模型通过

译一致性。在雅各布斯视网膜中心（JRC）OCT数据集上的评估显学习像素级分割显著提高了性能。然而，大多数方法

示，我们的框架在准确率和Dice分数方面有显著提升，特别是都基于2DB扫描，并忽略了3D空间一致性。为了处

中LS-BiorthLattUwU模块的表现，突显了可调小波滤波器在体积

理三维一致性，MGU-Net[13]等架构引入了基于图卷

1医学图像分割中的优势。

v积的推理，并与三维分割网络联合运动校正[2]，提高

9

1Keywords—生物医学图像处理，计算机视觉，离散小波变换，了B扫描之间的对齐。然而，这些模型中使用的传统

1图像分割，监督学习。最大池化方法通常会丢弃精细的空间细节。基于小波的

6

1池化技术[4,5,14]在临床应用[15–18]中通过可学习的

.

7格滤波器组保留高频特征表现出有希望的表现。这些方

0

5I.介绍法，特别是与注意力和通道融合机制[19]集成时，增

2强了特征选择性和全局推理能力，在分类和异常检测中

:

v证明了其有效性。然而，在三维视网膜OCT分割中的

i光学相干断层扫描（OCT）能够实现视网膜结构的

x这种小波启发的下采样应用仍然有限。我们的工作旨在

r高分辨率成像