基于多个实例学习的糖尿病视网膜病变的分类在弱标记的广场OCTA面对面的图像中
Philipp Matten1, Julius Scherer2, Thomas Schlegl2
1Center for Medical Physics and Biomedical Engineering, Medical University of Vienna, Waehringer Guertel 18-20 (4L), 1090, Vienna, Austria. philipp.matten@meduniwien.ac.at.
Scientific reports
|May 29, 2023
概括
一个新的深度学习网络,MIL-ResNet,在光学连贯断层扫描血管学 (OCTA) 扫描中准确检测糖尿病视网膜病变 (DR). 这种方法消除了对像素级注释的需求,简化了早期DR诊断.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 糖尿病视网膜病变 (DR) 是工作年龄成人失明的主要原因.
- 光学连贯断层扫描血管学 (OCTA) 为DR诊断提供了视网膜血管系统的详细可视化.
- 目前在OCTA中用于DR检测的深度学习方法需要广泛的像素级注释.
研究的目的:
- 开发和评估一个新的深度学习网络,用于在OCTA图像中准确检测DR.
- 消除了在DR分类中需要繁的像素级注释的需要.
- 为眼科查创建一个强大的诊断决策支持工具.
主要方法:
- 开发了一个基于多实例学习的网络,MIL-ResNet.
- 该网络在使用超广场扫描源OCT设备获得的OCTA数据集上进行了训练和测试.
- 性能与ResNet14和VGG16进行了比较,并评估了对抗对手攻击的稳定性.
主要成果:
- 在不需要像素级注释的情况下,MIL-ResNet在检测DR生物标志物方面取得了高准确性.
- 提出的方法的性能优于现有的最先进的网络 (ResNet14,VGG16).
- 该网络证明了对抗攻击的稳定性,并专注于临床相关的生物标志物.
结论:
- 在OCTA扫描中,MIL-ResNet提供了一种高精度和高效的DR检测方法.
- 该方法通过消除对专家像素级注释的需求,简化了诊断过程.
- 这个网络有可能在糖尿病视网膜病变的临床眼科查中成为一个有价值的决策支持工具.
