DeepGraFT: 一个新的语义细分辅助基于ROI的深度学习框架,用于有效的基金嵌分类
Yinghao Yao1, Jiaying Yang1, Haojun Sun1
1Oujiang Laboratory (Zhejiang Lab for Regenerative Medicine, Vision and Brain Health), Eye Hospital, Wenzhou Medical University, Wenzhou, 325011, Zhejiang, China; National Engineering Research Center of Ophthalmology and Optometry, Eye Hospital, Wenzhou Medical University, Wenzhou, 325027, Zhejiang, China.
Computers in biology and medicine
|December 30, 2023
概括
一个名为DeepGraFT的自动化系统在眼睛照片中准确地评分 fundus tessellation (FT),有助于预测近视的进展和视力障碍. 这种深度学习工具改进了现有的临床决策支持方法.
科学领域:
- 眼科和医学成像学
- 医疗保健中的人工智能
- 计算病理学计算病理学
背景情况:
- 眼底形 (FT) 是近视的一个关键指标,与潜在的不可逆转的近视性黄斑症有关.
- 在 fundus 照片中准确的 FT 分类对于预测疾病进展和预后至关重要.
- 目前用于FT检测和分类的方法缺乏精度,造成了大量未满足的临床需求.
研究的目的:
- 引入DeepGraFT,这是一个自动化的深度学习系统,用于对底层模块化 (FT) 的分级.
- 通过结合分类和细分模型来提高FT分类的准确性.
- 评估DeepGraFT在内部和独立公共数据集上的表现.
主要方法:
- 开发了一个深度学习模型,集成分类 (ConvNeXt与转移学习) 和细分.
- 利用基于ETDRS分级系统的兴趣区域来优化分类.
- 使用内部MAGIC队列和公共英国生物银行队列进行 DeepGraFT 的培训和验证.
主要成果:
- 在验证中,DeepGraFT取得了很高的准确性:86.85% (内部) 和81.50% (英国生物银行).
- 该系统的性能优于传统的机器学习模型,显示精度增加了5.57%.
- 废弃性研究证实了模块增强,精度从79.85%提高到86.85%.
- 分析显示,在英国生物银行队列中,FT和球体等价物 (SE) 之间存在显著的负相关性.
结论:
- DeepGraFT 展示了深度学习在自动化 FT 评分方面的巨大潜力.
- 该系统可以作为一个有价值的临床决策支持工具,用于预测病态近视的进展.
- 自动化FT分级可以改善近视相关视力障碍的管理和预后.
