预训练用于视网膜OCT的3D图像细分模型,使用基于denoising的自我监督学习
Antoine Rivail1,2, Teresa Araújo1, Ursula Schmidt-Erfurth3
1Christian Doppler Lab for Artificial Intelligence in Retina, Department of Ophthalmology and Optometry, Medical University of Vienna, Vienna, Austria.
Biomedical optics express
|September 19, 2024
概括
自主监督学习 (SSL) 使用图像修复和解密技术可以预训练3D网络用于视网膜OCT细分. 这种方法提高了流体细分性能,减少了注释需求.
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:
- 深度学习自动化了视网膜生物标志物细分在光学一致性断层扫描 (OCT) 临床研究和患者监测.
- 目前的方法,如U-Nets,需要受监督的培训和广泛的,专家注释的数据集,这是很难和昂贵的.
研究的目的:
- 调查3D自主监督学习 (SSL) 的有效性,使用预训练网络的图像恢复技术.
- 提高视网膜CT的流体细分性能,减少对手册注释的依赖.
主要方法:
- 探索了两个SSL方法:图像恢复和denoising,用于在大型3D OCT数据集上预训练3D网络.
- 通过对两个不同的流体细分数据集进行微调来评估预训练的网络重量,这些数据集具有不同数量的训练数据.
主要成果:
- 与传统的监督方法相比,这两种SSL方法都显著提高了流体细分性能.
- 基于denoising的SSL在流体细分数据集上表现出卓越的结果,并实现了更快的预训练持续时间.
- 采用SSL方法可以减少所需的注释,或提高细分精度.
结论:
- 3D自主监督学习,特别是基于denoising的方法,为改善视网膜OCT的流体细分提供了可行和有效的策略.
- 这种技术可以大大降低注释负担,提高眼科中自动细分的精度.
- SSL为推进人工智能驱动的临床研究和视网膜成像中的患者监测提供了有前途的途径.
