在光学连贯断层扫描图像中遗传性视网膜疾病的自动分类,使用少数镜头学习图像
Qi Zhao1, Si Wei Mai2, Qian Li1
1Department of Ophthalmology, Beijing Tongren Eye Center, Beijing Tongren Hospital, Capital Medical University, Beijing Key Laboratory of Ophthalmology and Visual Sciences, Beijing 100730, China.
Biomedical and environmental sciences : BES
|May 30, 2023
概括
一个新的几次拍摄学习 (FSL) 模型有效地将光学连贯性断层扫描 (OCT) 图像对遗传性视网膜疾病 (IRD) 进行高精度分类. 这种方法在使用有限的数据诊断罕见的眼病方面具有前景.
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:
- 遗传性视网膜疾病 (IRD) 由于其罕见性和各种表现而构成诊断挑战.
- 精确的光连贯断层扫描 (OCT) 图像的分类对于诊断和管理IRD至关重要.
- 传统的机器学习模型通常需要大量的数据集,这些数据集对于罕见疾病来说很难获得.
研究的目的:
- 开发和评估一些射击学习 (FSL) 方法来对IRD患者的OCT图像进行分类.
- 使用有限的数据,评估FSL模型在区分IRD,正常视网膜和对照样本方面的有效性.
主要方法:
- 学生-教师学习框架被用来设计FSL模型.
- 该模型在189名参与者的2,317张OCT图像上进行了训练和验证,包括IRD,正常和对照组.
- 性能指标如精度,灵敏度,特异性和F1得分与基线模型进行了比较.
主要成果:
- FSL模型实现了卓越的性能,总准确度在0.974-0.983,灵敏度在0.934-0.957,特异性在0.984-0.990,F1得分在0.935-0.957.
- 在关键指标上,FSL模型的表现优于基线模型,并且在大多数分类中表现出优势.
- 在大多数子分类中,FSL模型中观察到接收器运行特征 (ROC) 曲线 (AUC) 下的较高面积.
结论:
- FSL模型在对海外图像进行IRD,正常和对照参与者的分类方面表现出显著的有效性,即使数据有限.
- 开发的FSL方法为诊断罕见的视网膜疾病提供了可行的解决方案.
- 基础原则和网络架构可以适应其他低患病率的视网膜疾病.
