3DTINC:时间等价的非对比学习,用于从纵向的OCT预测疾病进展

科学领域:

• 医学成像分析分析 医学成像分析
• 医疗保健中的深度学习
• 眼科的研究研究眼科.

背景情况:

• 自主监督学习 (SSL) 增强了深度学习模型,但由于批量大小和增强限制,对比方法与3D医疗图像作斗争.
• 当前的SSL技术对于3D光学连贯断层扫描 (OCT) 数据通常是不切实际的,这阻碍了其在医疗图像分析中的应用.

研究的目的:

• 引入一种新的纵向自主监督学习 (SSL) 方法,3DTINC,用于3D OCT卷.
• 开发专门为OCT数据量身定制的扰动不变特征学习.
• 从纵向扫描中隐式学习时间信息,以预测疾病进展.

主要方法:

• 拟议的3DTINC是一种非对比的SSL方法,用于3D OCT卷.
• 引入了OCT特定的增量和一个新的非对比性相似性损失术语.
• 利用来自不同时间点的患者内扫描来学习时间特征.

主要成果:

• 3DTINC有效地从3D OCT数据中学习扰动不变特征.
• 学习的时间信息对于预测视网膜疾病进展至关重要.
• 用3DTINC进行预训练的模型在预测潮湿与年龄相关的黄斑变性 (AMD) 转换方面表现出强的表现.

结论:

• 3DTINC的每个组件对于从纵向体积扫描中学习有意义的表示至关重要.
• 该方法为分析视网膜OCT的时间变化提供了强大的框架.
• 3DTINC可以通过医学成像来预测AMD等疾病的疾病进展.