在光谱域光学连贯性断层扫描图像中,通过弱监督的深 convolutional 网络对准中心急性中间黄斑病变的细分
Tianqiao Zhang1, Qiaoqian Wei1, Zhenzhen Li2
1School of Life and Environmental Sciences, Guilin University of Electronic Technology, Guilin, China.
Computer methods and programs in biomedicine
|June 17, 2023
概括
新型深度学习框架X-Net在视网膜光谱域光学连贯性断层扫描 (SD-OCT) 图像中准确细分了偏中心急性中间黄斑病变 (PAMM) 的病变. 这种监督较弱的方法减少了专家注释工作量,并显示出高临床潜力.
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:
- 光谱域光学连贯性断层扫描 (SD-OCT) 对于非侵入性视网膜成像和检测与眼睛疾病相关的病变至关重要.
- 自动检测小视网膜焦点病变,如偏中心急性中间巨病 (PAMM),仍然具有挑战性.
- 现有的自动化方法往往需要广泛的监督学习和手动注释,这很耗时.
研究的目的:
- 介绍X-Net,一个弱监督的深度学习框架,用于在SD-OCT图像中自动细分PAMM病变.
- 解决用于检测小视网膜焦点病变的自动化方法的稀缺问题.
- 开发一种解决方案,减少需要大量手动图像标签的需求.
主要方法:
- 使用了133张SD-OCT视网膜图像,专家注释了PAMM病变 (边界框).
- 使用U-Net进行像素级预分段.
- 开发了X-Net,一种新的主-奴隶U-Net架构,用于使用专家和预分段注释进行高度准确的最终细分.
主要成果:
- 在未见的临床数据上获得了99%的准确性和0.8的平均交叉-超过-联盟.
- 与不足的单阶段神经网络相比,证明了卓越的性能.
- 在使用注意力U-Net变体时显示了可比的结果,证实了该方法的可行性.
结论:
- 拟议的X-Net方法在细分PAMM病变方面表现出高性能,通过定量和定性评估进行验证.
- 眼科医生的临床验证证实了该工具的准确性和潜在的临床实用性.
- 注释策略有效地减少了专家注释者的工作负担.
