同时对齐和表面回归使用混合2D-3D网络进行3D连贯层细分视网膜OCT图像的完整和稀疏注释

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:

• 准确的视网膜层细分对于光学连贯性断层扫描 (OCT) 卷的定量分析至关重要.
• 现有的深度学习方法主要在单个B扫描上使用2D细分,忽视3D连续性并需要广泛的注释.

研究的目的:

• 开发一种新的混合2D-3D卷积神经网络 (CNN) 框架,用于OCT卷中的连续3D视网膜层细分.
• 为了实现有效的细分,使用完整和稀疏的注释,减少对劳动密集型标签的需求.

主要方法:

• 采用混合的2D-3D CNN架构,通过编码器提取2D B扫描特征,并使用带有空间变压器模块的3D解码器.
• 新的基于流性的损失被引入B扫描对齐和层分段,促进半监督学习与稀疏的注释.
• 该框架进行了端到端的训练,并根据合成和公共临床OCT数据集进行了评估.

主要成果:

• 拟议的框架成功地从OCT卷中实现了连续的3D视网膜层细分.
• 它展示了有效的B扫描对齐,可能有助于运动校正.
• 该方法在细分精度和3D连续性方面超过了最先进的2D深度学习技术,在完全和半监督的设置中都具有3D连续性.

结论:

• 这是第一个在体积OCT图像中展示基于CNN的3D视网膜层细分的作品.
• 与现有的二维方法相比,该框架提供了更高的性能和临床价值,特别是在半监督的场景中.
• 它提供了一种更强大,更有效的方法来进行量化OCT分析.