光学相干断层扫描(OCT)是一种非侵入性的3D模态,广泛用于视网膜的眼科。在OCT上实现自动化的解剖学视网膜层分割对于检测和监测不同视网膜疾病(如年龄相关的黄斑病(AMD)或糖尿病性视网膜病)很重要。但是,大多数最先进的层分割方法基于纯监督的深度学习,需要大量的像素级注释数据,这些数据昂贵且难以获得。考虑到这一点,我们将半监督的范式介绍到视网膜层分割任务中,该任务利用大规模未标记数据集中存在的信息以及解剖学先验。特别是,一种新型的完全可区分的方法用于将表面位置回归转换为像素结构化分割,从而使以耦合方式同时使用1D表面和2D层表示来训练模型。特别是,这些2D分割被用作解剖因素,与学习的样式因子一起组成了用于重建输入图像的分离表示。同时,我们建议一组解剖学先验,以改善有限的标记数据时,可以改善网络训练。我们在使用中间和湿amd的现实世界中的扫描数据集上证明了我们的方法在使用我们的完整训练集时优于最先进带有标记数据的一部分。
translated by 谷歌翻译