当两只眼睛不够时-学习困难 视网膜底部的超光细分 通过合奏学习的自光图像
Monty Santarossa1, Tebbo Tassilo Beyer1, Amelie Bernadette Antonia Scharf2
1Department of Computer Science, Kiel University, 24118 Kiel, Germany.
Journal of imaging
|May 24, 2024
概括
在视网膜图像中,高光 (HF) 和降低自光 (RA) 的自动细分是具有挑战性的,因为人类的变异性. 一种新的细分组合实现了类似专家的性能,改善了对视网膜疾病的生物标志物识别.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 计算生物学 计算生物学
背景情况:
- 超光 (HF) 和减少自光 (RA) 是基底自光 (FAF) 成像中的关键生物标志物,用于评估视网膜色素表皮 (RPE) 的健康状况.
- FAF生物标志物对于监测诸如地理缩 (GA) 和中央血清性胆色素变异 (CSCR) 等疾病至关重要.
- 人类对FAF图像的注释显示了显著的分级器之间和分级器内变异性,特别是对于生物标志物边界,影响了可靠性.
研究的目的:
- 开发一种用于在FAF图像中对HF和RA进行细分的自动化方法,可以克服人类注释的变化.
- 为了评估与专家人类评分器对细分组合方法的性能.
- 创建可靠的三元分段,以确保生物标志物的识别和检测.
主要方法:
- 用单个注释的FAF图像训练了一个细分组合模型.
- 合唱团的表现通过将其细分与多个使用Dice分数的专家评分员的分段进行比较来评估.
- 使用整体的平均预测和方差来分类图像区域,生成了三角分段.
主要成果:
- 人类专家对高频细分的共识在63-80%的子得分之间,对于RA则在14-52%之间.
- 细分组合达成了类似专家的协议,Dice的得分为HF的64-81%和RA的21-41%.
- 三级细分显示了高精度 (97%) 的自信背景/HF识别和高回忆 (99%) 检测所有HF实例.
结论:
- 使用整体方法的自动细分可以实现在FAF图像中识别HF和RA的专家级性能.
- 拟议的三元细分方法提供了可靠和可解释的结果,区分了自信的生物标志物区域和不确定的生物标志物区域.
- 这种方法为在视网膜疾病监测中客观和一致地评估RPE健康提供了一个有希望的工具.


