自主监督的对比学习改善了机器学习对视网膜OCT扫描中的视网膜膜的全厚黄斑孔的歧视
Timothy William Wheeler1, Kaitlyn Hunter2, Patricia Anne Garcia2
1Department of Bioengineering, University of Oregon, Eugene, Oregon, United States of America.
PLOS digital health
|August 26, 2024
概括
自主监督学习显著改善了从光学连贯性断层扫描 (OCT) 扫描中检测全厚黄斑孔 (FTMH) 的性能,即使数据有限. 这种方法优于标准预训练模型的FTMH分类.
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:
- 计算机辅助模型越来越多地用于通过光学连贯断层扫描 (OCT) 诊断斑点状况.
- 针对特定疾病的临床数据有限,因此需要微调通用网络.
- 全厚黄斑孔 (FTMH) 需要迅速的手术干预,以防止视力丧失.
研究的目的:
- 开发和评估一种新型模型,用于使用OCT B扫描进行自动化FTMH分类.
- 在有限的OCT数据集上研究自我监督学习对预培训模型的有效性.
- 将自我监督的预训练模型与ImageNet预训练模型的FTMH检测性能进行比较.
主要方法:
- 一个原始的神经网络使用对比的自我监督学习在中央叶区域周围的OCT B扫描上进行了预训练.
- 然后,预训练的模型被微调为FTMH分类.
- 在一个持久数据集上评估了性能,并与在Image.Net上预先训练的模型进行了比较.
主要成果:
- 与ImageNet预训练模型相比,自我监督的预训练模型表现出更高的性能.
- 在3D空间对比预训练中,在持久数据上获得了1.0的平均F1得分.
- 在ImageNet预训练的模型中,FTMH检测的F1平均得分为0.831.
结论:
- 自主监督的预培训可以大幅提高FTMH分类性能,即使数据集小.
- 这种方法提供了一种可行的策略,用于开发基于OCT的疾病的准确诊断模型.
- 这些发现表明,自主监督学习对于其他与OCT相关的诊断挑战具有广泛的适用性.
