堅牢な網膜画像マッチング：方向性異方性テキスチャン様特徴量を用いたモダリティ耐性記述子と多様なデータセットでの評価

科学分野:

• 眼科学
• コンピュータビジョン
• 医用画像処理

背景:

• 網膜画像マッチングは、医療診断および疾患追跡に不可欠です。
• マルチモーダル網膜画像アライメントは、構造的および放射的違いによる課題に直面しています。
• 現在の深層学習メソッドはデータ依存性があり、従来のメソッドは複雑な変動に対処するのが困難です。

研究 の 目的:

• マルチモーダルおよびモノモーダル網膜画像マッチングのための堅牢で適応可能な記述子を開発すること。
• 既存の深層学習および手作りの特徴メソッドの限界を克服すること。
• 多様な網膜画像データセットのアライメント精度を向上させること。

主な方法:

• 特徴空間構築のために、一次および二次方向異方性Leung-Malik（LM）導関数を使用した新しい記述子を提案しました。
• 最大方向応答の方向性指数を使用して特徴マップを融合しました。
• 重み付き適応的ビニングを備えたスケール不変および回転不変モジュールを組み込みました。

主要な成果:

• 失敗なしで平均37.48%のリコールを達成しました。
• 深層学習アプローチを含む、最先端の方法を上回る優れたパフォーマンスを実証しました。
• カラー眼底（CF）、蛍光眼底造影（FA）、超広角FA、およびSLO画像など、複数のデータセットに正常に適合しました。

結論:

• 提案された記述子は、網膜画像マッチングのための簡単かつ堅牢なソリューションを提供します。
• 幾何学的および放射的違い、および構造的変位を効果的に処理します。
• この方法の適応性と高いパフォーマンスは、様々な臨床アプリケーションに適しています。