深度学习网络用于人类视网膜的可见光光学连贯断层扫描中的并行自我否定和细分
Tianyi Ye1, Jingyu Wang2, Ji Yi1,2
1Department of Biomedical Engineering, Johns Hopkins University, Baltimore, MD, 21231, USA.
Biomedical optics express
|November 29, 2023
概括
这项研究引入了一种新的深度学习方法,以提高视网膜可见光光学相干断层扫描 (VIS-OCT) 的图像质量. 该框架同时删除图像和细分视网膜层,提高诊断准确度.
科学领域:
- 眼科医生 眼科 眼科
- 生物医学成像技术 生物医学成像技术
- 人工智能的人工智能
背景情况:
- 可见光光学相干断层扫描 (VIS-OCT) 为视网膜成像提供了高分辨率,但由于功率限制,其图像质量较低.
- 有效的消毒对于准确的VIS-OCT分析和临床应用至关重要.
研究的目的:
- 开发一个高效的深度学习框架,同时对VIS-OCT视网膜图像进行无线化和细分.
- 创建第一个VIS-OCT视网膜图像数据集,并为培训和验证提供注释.
主要方法:
- 提出了一个高效的共同学习深度学习框架,用于并行自我拒绝和细分.
- 使用了一种新的VIS-OCT视网膜图像数据集,包括正常眼睛与"噪音清洁"对和层注释.
- 评估了无声化和细分任务的协同性能.
主要成果:
- 共同学习框架显著改善了细分性能,特别是对于状细胞层 (GCL),内状层 (IPL) 和内核层 (INL) 的细分性能.
- 与仅细分方法相比,即使注释有限 (25%),也实现了2%更高的Dice系数.
- 证明了无声化模型对不同的扫描协议具有很好的概括性.
结论:
- 拟议的深度学习框架有效地提高了VIS-OCT的图像质量和细分精度.
- 这种方法具有注释效率,使其适用于具有有限标记数据的临床环境.
- 这项工作促进了使用VIS-OCT技术改善诊断能力.


