OCT图像层次分割相关论文泛读
①A Neural Network Approach to Retinal Layer Boundary Identification From Optical Coherence Tomography Images
作者：Kevin McDonough and Ilya Kolmanovsky
来源：2015 IEEE
使用神经网络对视网膜图像中的每个像素进行二分类：属于层次中的像素与不属于层次中的像素两类。该方法识别的是层，而不是层与层之间的边界（边界上的像素比较少，影响分类准确率）。不同的层次使用不同的神经网络，共分割八个layer。
目标函数：
其中i表示第i个Layer，f即为神经网络表示的函数。特征向量的定义为：
最终的分割结果为：
可以看到，分割效果还是很不错的。不平滑的部分可以使用平滑的方法来解决。
② Automated segmentation by pixel classification of retinal layers in ophthalmic OCT images
作者：K. A. Vermeer
来源：2012 BOE
采用了像素分类的方法，使用多尺度梯度和灰度特征作为特征向量，并采用SVM算法进行聚类，分类的聚类数以分割的层数作为标准。由于分割过程中的错误，最后采用水平集求解出一个光滑曲面。
特征向量结合灰度值和梯度信息，在单个A-scan上进行计算，公式如下：
其中d代表不同的scale。下面分别在A-scan和B-scan上显示不同的特征：
实验中所使用的数据为：10个正常人OCT体数据，8个青光眼患者OCT体数据，每个体数据有193张图像。训练数据为2张正常人和一张青光眼患者的图像，训练数据来自专家标定。
论文的分割结果如下：
③ Automatic segmentation of nine retinal layer boundaries in OCT images of non-exudative AMD patients using deep learning and graph search
作者：LEYUAN FANG
来源：2017 BOE
结合卷积神经网络和图搜索算法（CNN-GS）对干性AMD患者的OCT图像进行层次分割，可以得到9个边界。该方法主要分为两个步骤：CNN确定要分割边界的候选区域；图搜索算法在这个区域内进行分割：
其中，CNN为修改后的Cifar-CNN，针对每个像素，以该像素为中心提取33*33的图像块，该图像块作为作为CNN的输入，输出为一个1*10的向量，分别表示该像素属于9个边界和背景的概率，最终可以获得9个边界对应的概率图。
CNN的网络结构如下：
最后在概率图的基础上，使用图搜索（GTDP，graph theory and dynamic programming）的方法对每个边界进行细分割，得到最终的分割结果。
实验中使用的数据：
117个干性AMD的OCT体数据，每个Volume包含48或49张图像。其中57个体数据用做训练集，60个体数据（2915个B-scan）用于测试集。
论文分割结果：
说明：
OCTExplorer：一个可下载的3D OCT层次分割软件（Iowa）
DOCTRAP：基于人工修正的半自动标定软件（杜克大学）
缺点：过于依赖标注数据集；基于Matlab平台的CNN运行时间较长，后续可改进为Python或Caffe平台；设计可自动适应大小的图像块。
④ Segmentation of retinal OCT images using a random forest classifier
作者：Andrew Lang
来源：Medical Imaging 2013
使用随机森林分类器的方法对黄斑区域的OCT图像进行9个边界的分割，每个像素点提取7个特征进行训练和分类。
7个特征：
其中第一个特征（a）是视网膜区域中每个像素点距离BM的垂直距离，第二个是每个像素的x坐标；（d）\~（f）是四种不同尺度的梯度图像；最后的特征是每个像素处的结构张量的最大特征值的大小。这7个特征构成了每个像素点对应的特征向量，以这些特征向量作为输入，使用随机森林对像素点进行十分类（0\~9，0为背景，1\~9分别对应从上到下的9个边界）。随机森林分类器生成的概率图如下：
实验中使用的数据：
10个体数据，每个体数据包含49个B-scan
论文实验结果：
⑤ Retinal layer segmentation of macular OCT images using boundary classification
作者：Andrew Lang
来源：2013 BOE
本文使用随机森林+Canny以及随机森林+GS的方法对黄斑区与视网膜OCT图像进行9个边界的分割，OCT图像中的每个像素点提取27个特征构成特征向量。本文方法的流程如下：
特征举例：（包含了三维信息）
随机森林生成的概率图：
RF+CAN：在概率图的基础上使用Canny算子进行边界分割；
RF+GS：在概率图的基础上使用GS方法对层次进行分割；
实验中使用的数据：35个体数据，每个体数据包含49个B-scan，训练集体数据的个数为Ns个。Ns的不同对随机森林分类器的影响：
论文分割结果：
⑥ Segmentation Based Sparse Reconstruction of Optical Coherence Tomography Images
作者：Leyuan Fang
来源：2016 IEEE TMI
本文使用稀疏重建（sparse reconstruction，SSR）和图搜索（graph theory and dynamic programming，GTDP）的方法对黄斑区域视网膜OCT图像进行层次分割，分割得到7个边界。该方法流程如下：
首先使用GTDP的方法对OCT图像进行初步分割，之后利用粗分割的得到的层次结构信息构建针对每个Layer的结构词典（structural dictionaries），然后利用构建的词典对图像进行降噪增强，使用增强后的图像进行分割得到的结果误差相较于之前的较小。
实验使用的数据：
41个正常人体数据