一次性视网膜动脉和静脉细分通过交叉模式预训练
Danli Shi1,2,3, Shuang He3, Jiancheng Yang4
1Centre for Eye and Vision Research (CEVR), Hong Kong SAR, China.
Ophthalmology science
|October 23, 2023
概括
这项研究引入了一种新的一次性方法,用于使用交叉模式预训练进行视网膜动脉和静脉细分. 该方法在最小的数据中实现了高精度,为视网膜血管分析提供了有效的解决方案.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 计算机视觉 计算机视觉
背景情况:
- 对视网膜动脉和静脉的准确细分对于诊断各种眼睛疾病至关重要.
- 传统的方法通常需要大量的注释数据集,这些数据集的获取是耗时且昂贵的.
研究的目的:
- 开发和评估一种用于视网膜动脉-静脉细分的一次性学习方法.
- 为了利用跨模式的动脉-静脉 (AV) 软标签预训练,以改善有限数据的细分性能.
主要方法:
- 为了预训练,利用了一大批彩色底部摄影 (CFP) 和动脉静脉底部光血管学 (FFA) 对的数据集.
- 自动从基于强度差异的FFA图像中生成AV软标签.
- 使用CFP图像进行AV软分段的生成对抗网络 (GAN) 训练.
- 精心调整预训练模型,每组数据只使用一个图像进行一次性细分.
主要成果:
- 一次性方法实现了与全数据训练可比的性能,AUC从0.901到0.971和准确度从0.959到0.980.
- 与没有微调相比,一次性微调显著改善了细分性能.
- 细分结果显示出高可靠性,不同微调图像的标准偏差很低.
结论:
- 这项研究介绍了第一个用于视网膜动脉和静脉细分的一次性方法.
- 提出的自动软标签和预训练策略节省了时间,效率高,并显示出在视网膜成像分析中广泛应用的潜力.
