在与年龄相关的黄斑退化中量化地理缩:在12个深度学习模型中进行比较分析

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:

• 地理缩 (GA) 是导致视力丧失的主要原因.
• 从底部自光 (FAF) 图像中精确细分GA对于监测疾病进展和评估治疗至关重要.
• 人工智能 (AI) 为自动化GA细分提供了有希望的工具.

研究的目的:

• 评估12种不同的AI架构组合的有效性,用于从底部自光 (FAF) 图像中对地理缩 (GA) 进行细分.
• 确定最佳的AI架构,以实现准确可靠的GA细分.

主要方法:

• 研究了人工智能编码器 (EfficientNet,ResNet,VGG,mViT) 和解码器 (FPN,UNet,PSPNet) 的组合.
• 在AREDS2研究中的601张FAF图像上训练模型,并在GlaxoSmithKline研究中的156张图像上验证.
• 通过将AI预测的GA区域与人类测量进行比较并计算子系数 (DC) 来评估性能.

主要成果:

• 对于GA细分,表现最好的AI模型是使用混合视觉变压器 (mViT) 编码器的UNet和FPN框架.
• 在不同的架构中,子系数 (DC) 从0.884到0.993不等.
• 在GA细分方面,PSPNet框架表现最不有效.

结论:

• 人工智能架构的选择是影响FAF图像GA细分性能的一个关键因素.
• 基于视觉变压器的模型,特别是与FPN和UNet架构相结合时,与传统的基于CNN的模型相比,显示出更好的适用性.
• 根据特定的项目目标定制AI架构选择对于GA细分的最佳结果至关重要.