用有限的数据对视网膜静脉封闭的多模式视网膜图像进行分类的元学习方法
Danba Jiachu1, Li Luo2, Meng Xie3
1Kham Eye Centre, Kandze Prefecture People's Hospital, Kangding, China.
Translational vision science & technology
|September 19, 2024
概括
这项研究引入了一种超学习方法,用于使用少数射击学习来检测视网膜静脉封闭 (RVO). 该方法在从各种视网膜图像中识别RVO方面具有很高的准确性,包括来自不同模式的图像.
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:
- 视网膜静脉封闭 (RVO) 是视力丧失的一个重要原因.
- 准确和早期发现RVO对于有效治疗至关重要.
- 现有的诊断方法可能需要广泛的培训数据或专门的专业知识.
研究的目的:
- 建议和验证用于RVO检测的新型元学习框架.
- 为了使精确的RVO诊断使用有限的样本大小 (少数射击学习).
- 评估跨多模式视网膜图像的方法的性能.
主要方法:
- 制定了一种超学习方法,利用特征提取网络 (ResNet,CLIP) 和原型网络 (PN).
- 超训练涉及39种 fundus 疾病中的 1254 种彩色 fundus (CF) 图像.
- 对公共 (APTOS) 和独立医院数据集进行了元测试,包括光素血管学 (FA) 图像.
主要成果:
- 基于CLIP的PN实现了高性能,APTOS数据集的准确率为86.06%,AUCROC为0.87,仅使用16张训练图像.
- 在医院数据集中,元学习显示出优异的RVO诊断能力 (AUCROC>0.99对于n=4,8,16).
- 模型有效地检测到来自FA图像的RVO,尽管它们不在meta-training集中 (AUCROC>0.93对于n=4,8,16).
结论:
- 拟议的元学习模型在检测CF和FA图像中的RVO方面表现出卓越的表现.
- 这种方法提供了一个强大的解决方案,用于RVO检测与最小的训练数据.
- 开发的模型对自动化RVO查和诊断具有重要的翻译相关性.
