对于种族不同的人群的深度转移学习:使用光学连贯断层扫描技术预测折射误差
Rishabh Jain1, Tae Keun Yoo2,3, Ik Hee Ryu4,5
1Department of Biomedical Engineering, Duke University, Durham, NC, USA.
Ophthalmology and therapy
|November 13, 2023
概括
深度转移学习与适应训练有效预测折射误差使用光学连贯断层扫描 (OCT) 图像在不同的种族群体. 这种方法通过弥合数据分布差距,显著提高了模型性能.
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:
- 深度学习模型因培训和测试数据分布不匹配而扎在各族群的绩效差异上.
- 后段光学连贯断层扫描 (OCT) 图像提供了折射误差预测的潜力.
研究的目的:
- 开发和验证一个深度转移学习模型,用于预测未经纠正的折射误差 (球体等效和角质量测量) 使用OCT图像.
- 减少跨种族多样化人口的深度学习模型的性能差异.
主要方法:
- 一个深度学习模型在韩国数据集的OCT图像上进行了预训练.
- 转移学习与适应培训使用印度数据集的OCT图像进行了应用,用于域调整.
- 模型被训练来预测球体等价值 (SE) 和平均角质量测量 (K) 值.
主要成果:
- 与没有适应的模型相比,适应训练显著改善了SE和K预测模型 (P < 0.001).
- 使用光盘OCT图像 (精度74.7%,1.58 DMAE) 实现了近视/远视分类和SE估计的最佳性能.
- 视神经水平模型显示了预测K值的最低MAE (1.85 D).
结论:
- 通过转移学习进行适应培训,有效地估计了跨民族多元人口的OCT图像中的折射误差和K值.
- 该研究强调了使用黄斑和视神经OCT图像用于折射误差评估的潜力.
- 建议对更大,多样化的数据集进行进一步的研究,以验证算法的可行性.
更多相关视频
03:35Determining Gender-Based Differences in Retinal and Choroidal Thickness in Underweight Individuals via Swept-Source Optical Coherence Tomography
Published on: December 1, 2023
305
07:23Retinal Vascular Reactivity as Assessed by Optical Coherence Tomography Angiography
Published on: March 26, 2020
7.6K
