异常导向细分:在视网膜OCT中引入病变细分的语义上下文,使用来自异常检测的弱背景监督来检测异常

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:

• 在视网膜光连贯断层扫描 (OCT) 中自动检测病变对于诊断和治疗监测等临床应用至关重要.
• 目前的细分模型面临的挑战是复杂的病变,可变的图像质量,以及在现实世界的OCT数据中的多种疾病表现.
• 现有的改进技术还没有探索通过异常检测结合语义上下文.

研究的目的:

• 调查将异常检测模型与标准细分模型相结合的有效性,以改善视网膜损伤检测.
• 为了证明结合弱异常标签可以提高分段性能,而无需额外的手动注释.
• 通过多个视网膜OCT数据集和病变类型验证通用异常引导细分方法.

主要方法:

• 开发了一种使用单独异常检测模型来识别潜在病变的策略.
• 在训练标准细分模型期间,将异常检测模型的输出面罩作为额外的课程集成到标准细分模型中.
• 在两个内部和两个公开可用的视网膜OCT数据集上训练和评估了组合模型.

主要成果:

• 在将弱异常标签纳入标准细分模型时,持续改善了损伤细分结果.
• 在多个损伤目标和各种数据集中表现出增强的性能.
• 验证了异常导向细分方法的通用适用性.

结论:

• 异常导向细分是一种有前途的策略,可以提高视网膜OCT扫描中的自动化病变检测.
• 这种方法提供了有价值的语义上下文,提高了细分精度,而不需要大量的手动标签.
• 该方法为提高当前病变检测模型的稳定性和性能提供了一个实用的工具.