通过深度学习在视网膜OCT图像中进行自动查的少数拍摄分布外检测
Teresa Araújo1, Guilherme Aresta2, Ursula Schmidt-Erfurth2
1Christian Doppler Laboratory for Artificial Intelligence in Retina, Department of Ophthalmology and Optometry, Medical University of Vienna, Vienna, Austria. teresa.safinisterraaraujo@meduniwien.ac.at.
Scientific reports
|September 27, 2023
概括
我们使用光学连贯断层扫描 (OCT) 提高了视网膜疾病诊断的深度学习可靠性. 同位数距离和异常暴露有效检测分布外病例,提高诊断系统的可靠性.
科学领域:
- 眼科医生 眼科 眼科
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 深度神经网络 (DNN) 用于从光学相干断层扫描 (OCT) 来诊断视网膜疾病.
- DNN通常对分布外 (OOD) 病例具有很高的信心,限制了临床应用.
- 与年龄相关的黄斑变性 (AMD) 是导致失明的主要原因,需要可靠的自动查.
研究的目的:
- 为了比较视网膜OCT成像中OOD检测的最先进的不确定性估计方法.
- 在与年龄相关的黄斑变性 (AMD) 查和分期的背景下评估这些方法.
- 提高基于DNN的视网膜疾病诊断系统的可靠性和可信度.
主要方法:
- 对OOD检测不确定性估计方法的比较分析.
- 专注于几次射击的异常暴露 (OE) 和接近OOD病例的检测.
- 从OOD评分的前最后一个网络层到特征空间中的利用的Cosine距离.
主要成果:
- 在AMD分类中实现了0.981的宏观平均AUC.
- 对于OOD检测来说,等位数距离被证明是强大的,特别是OE.
- 通过使用等号距离和OE提高了10%的近OOD检测,达到0.937 AUC.
结论:
- 坐标距离是一个强大的OOD检测度量,适合作为一种替代方法来拒绝OE中的桶概率,特别是在几次射击学习中.
- 提出的方法提高了可靠性,而不会影响分类性能.
- 这些方法对于视网膜OCT成像中的可靠深度学习诊断至关重要.
