优化OCTA层融合选项用于糖尿病视网膜病变的深度学习分类
Behrouz Ebrahimi1, David Le1, Mansour Abtahi1
1Department of Biomedical Engineering, University of Illinois at Chicago, Chicago, IL 60607, USA.
Biomedical optics express
|October 4, 2023
概括
这项研究探讨了使用光学连贯断层扫描血管学 (OCTA) 图像对糖尿病视网膜病变 (DR) 进行分类的深度学习. OCTA层的中间融合显著提高了DR检测的分类准确性.
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) 是导致视力丧失的主要原因.
- 早期发现和分类DR对于有效管理至关重要.
- 光学连贯断层扫描血管造影 (OCTA) 提供了详细的微血管成像.
研究的目的:
- 评估不同的层融合策略,用于基于深度学习的OCTA图像分类.
- 为了比较个人OCTA层与融合层的性能,用于DR检测.
- 确定最佳的融合架构来分类健康的,没有DR的和非扩散的DR.
主要方法:
- 开发了一个卷积神经网络 (CNN) 端到端分类器.
- 使用了表面毛细管 (SCP),深毛细管 (DCP) 和胆管 (CC) 层的OCTA图像.
- 早期融合,中期融合和晚期融合架构与单个层输入进行了比较.
主要成果:
- 仅仅表面的OCTA层就实现了87.25%的准确性.
- 中间融合架构以92.65%的准确性展示了卓越的性能.
- 梯度加权类激活映射 (Grad-CAM) 用于性能解释.
结论:
- 层融合对OCTA图像中的深度学习分类性能产生了重大影响.
- 介质融合方法是使用OCTA对糖尿病视网膜病变进行分类的最佳方法.
- 这一发现可以加强自动化DR查和诊断.
