通过利用多区域和多扫描模式的OCT图像以及动态区域得分的OCT图像来检测青光眼的模型.
Kai Liu1,2,3, Jicong Zhang1,2,4
1School of Biological Science and Medical Engineering, Beihang University, Beijing, 100083, China.
Biomedical optics express
|March 18, 2024
概括
这项研究引入了一种新的深度学习模型,该模型融合了多个区域,并从光学连贯性断层扫描 (OCT) 图像中扫描模式,以改进青光眼的检测. 该模型通过整合各种成像数据来提高诊断准确性,优于单一模式的方法.
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:
- 深度学习模型显示,使用光学连贯性断层扫描 (OCT) 图像检测眼有前途.
- 当前的模型通常依赖于单个扫描模式或区域,有可能忽略关键的诊断特征.
- 整合多区域和多扫描模式数据对于全面的青光眼评估至关重要.
研究的目的:
- 通过融合多区域和多扫描模式的OCT图像来开发和验证一种新的深度学习模型,以增强青光眼的检测.
- 解决现有模型的局限性,这些模型专注于受限制的成像数据.
- 为了提高人工智能驱动的青光眼诊断的准确性和可解释性.
主要方法:
- 提出了一个多区域和多扫描模式的融合模型,利用来自斑点,中部和视神经头部区域的OCT图像.
- 采用基于注意力的融合模块,以动态集成跨扫描模式和解剖区域的功能.
- 收集并使用了一套新的数据集 (MRMSG-OCT),包括多模式和多区域的OCT扫描.
- 引入了用于模型解释性的动态区域贡献分数.
主要成果:
- 拟议的融合模型与单个扫描模式和单个基于区域的模型相比显示出更高的性能.
- 基于注意力的聚变模块表现优于平均的聚变策略,特别是在处理样本特定变化的方面.
- 该模型的动态区域得分被证明是有效的,减轻了固定重量模型中看到的性能退化.
- 可视化特征图证实了模型能够捕获全面的诊断信息的能力.
结论:
- 多区域,多扫描模式的融合模型为基于人工智能的青光瘤检测提供了显著的进步,使用OCT.
- 通过注意力机制的动态特征集成可以提高诊断准确性和模型稳定性.
- 该模型的可解释性特征,如区域贡献得分,有助于眼科医生的临床决策和效率.


