使用光学连贯断层扫描图像进行干燥与年龄相关的黄斑变性疾病分类的两步层次神经网络

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:

• 与年龄相关的黄斑变性 (AMD) 是导致视力丧失的主要原因.
• 精确分类干燥的AMD阶段对于有效的治疗至关重要.
• 光学连贯断层扫描 (OCT) 是AMD评估的关键成像方式.

研究的目的:

• 开发和验证一个深度学习系统来对干燥的AMD阶段进行分类,包括新生的地理缩 (nGA).
• 分析光学连贯断层扫描 (OCT) 图像,以准确确定AMD的阶段.

主要方法:

• 开发了一种具有层次结构的两步卷积神经网络 (CNN) 模型.
• 图像增强技术被整合到CNN模型中.
• 用于培训和验证的是来自338名患者的3,401张OCT黄斑图像的数据集.
• 使用五重交叉验证来评估多标签分类模型.

主要成果:

• 拟议的两步层次模型实现了91.32%的f1得分和96.09%的kappa系数.
• 与最先进的模型相比,该模型表现出了卓越的性能.
• 通过拟议的方法,nGA的分类性能从66.79%提高到81.65%.

结论:

• 一种新的两步层次深度学习方法有效地对干燥的AMD进展进行了分类.
• 高分类性能表明,对于黄斑变性患者来说,有潜力指导个性化治疗计划.