在使用OCT图像对视网膜异常进行分类时,波纹散射变换的应用
Zahra Baharlouei1, Hossein Rabbani2, Gerlind Plonka3
1Medical Image and Signal Processing Research Center, School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences, Isfahan, Iran.
Scientific reports
|November 4, 2023
概括
本研究介绍了使用波纹散射变换 (WST) 的卷积神经网络,用于诊断光学连贯断层扫描 (OCT) 图像中的视网膜异常. 与深度学习方法相比,基于WST的模型实现了高精度,并降低了计算复杂性.
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:
- 计算机辅助诊断 (CAD) 帮助眼科医生检测视网膜异常.
- 光学连贯断层扫描 (OCT) 是用于视网膜分析的关键成像方式.
- 深度学习方法通常需要大量的计算资源.
研究的目的:
- 开发一种高效的卷积神经网络 (CNN) 模型,用于使用OCT图像检测视网膜异常.
- 为了利用波纹散射变换 (WST) 来改善特征提取和减少计算复杂性.
- 在多个公共数据集上评估模型的性能,并与现有的最先进的方法进行比较.
主要方法:
- 设计了一种两层卷积神经网络,其中包含波纹散射变换 (WST).
- 使用WST生成稀疏,转换不变和变形稳定的图像表示.
- 主要组件分析 (PCA) 用于特征分类.
- 该模型在四个公开可用的OCT数据集 (OCTID,TOPCON,海德堡,杜克) 上得到验证.
主要成果:
- 基于WST的CNN在OCTID数据集上实现了高分类准确性 (例如,5个类的[公式:参见文本]).
- 在TOPCON数据集 ([公式:参见文本]) 上,可以准确检测糖尿病黄斑 (DME).
- 在海德堡 ([公式:见文本]) 和杜克 ([公式:见文本]) 数据集上观察到强的表现,分类DME,与年龄相关的黄斑退化和正常病例.
- 该模型与具有显著较低计算复杂度的最先进方法相比,显示出具有竞争力或优异的性能.
结论:
- 拟议的基于WST的CNN提供了一种高效有效的方法,用于从OCT图像中诊断视网膜异常.
- 这种方法为眼科医生提供了一种有价值的工具,有可能提高诊断速度和准确性.
- 该模型的减少计算需求使其成为临床应用的实际解决方案.
