基于点的弱半监督生物标志物检测,在视网膜OCT图像中进行交叉尺度和标签分配
Xiaoming Liu1, Xin Zhu1, Ying Zhang2
1School of Computer Science and Technology, Wuhan University of Science and Technology, Wuhan 430065, PR China; Hubei Province Key Laboratory of Intelligent Information Processing and Real-time Industrial System, Wuhan 430065, PR China.
Computer methods and programs in biomedicine
|May 18, 2024
概括
这项研究引入了一种新的深度学习网络,用于检测光学一致性断层扫描 (OCT) 图像中的视网膜生物标志物,大大降低了注释成本,并提高了对具有挑战性的生物标志物的检测精度.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 计算机视觉 计算机视觉
背景情况:
- 光学连贯断层扫描 (OCT) 是用于诊断病变的关键视网膜成像技术.
- 在OCT图像中准确注释视网膜生物标志物是具有挑战性的,因为高成本和难以获得边界框级数据的困难.
- 现有的深度学习方法难以检测生物标志物,因为它们的形状不同,外观不显眼.
研究的目的:
- 开发一个新的网络,以有效地检测OCT图像中的视网膜生物标志物.
- 为了应对高标注成本和生物标志物检测困难的挑战.
- 提高视网膜OCT扫描中的生物标志物识别的准确性和效率.
主要方法:
- 一种弱半监督的对象检测方法,使用点注释来最大限度地减少标签工作.
- 为了提高监督和准确性,对点到盒回归进行多次一致的规范化.
- 一个跨度特征增强模块和动态标签分配策略,用于更好地检测各种和不显眼的生物标志物.
主要成果:
- 拟议的网络实现了20.83%的AP,只有5%的数据完全标记,超过了比较方法.
- 在20%的完整标签条件下,性能接近20.87%的AP,与Point DETR.相比.
- 使用R-CNN组,探测器达到27.21%的AP,50%的标记数据,比Faster R-CNN基线提高7.42%.
结论:
- 开发的方法在最小的界限框注释中证明了有效性.
- 拟议的模块显著提高了在OCT图像中的生物标志物检测性能.
- 实验结果验证了该方法在解决注释成本和检测挑战方面的能力.
