减少手动标签要求,并在使用半监督学习的3D AO-OCT卷中改进视网膜质细胞识别
Mengxi Zhou1, Yue Zhang1, Amin Karimi Monsefi1
1The Ohio State University, Department of Computer Science and Engineering, 2015 Neil Ave., Columbus, OH 43210, USA.
Biomedical optics express
|September 30, 2024
概括
新的机器学习方法减少了在自适应光学-光学连贯断层扫描 (AO-OCT) 成像中对视网膜细胞 (RGCs) 手动注释的需要. 这些半监督的方法可以改善RGC分析的疾病,如玻璃眼.
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:
- 适应光学-光学连贯性断层扫描 (AO-OCT) 能够在体内对视网膜质细胞 (RGC) 进行3D可视化.
- 准确的RGC量化对于诊断和监测诸如玻璃眼等疾病至关重要.
- 目前用于RGC分析的机器学习 (ML) 方法需要大量的手动注释,限制了它们的临床应用.
研究的目的:
- 开发和评估半监督的ML培训计划,用于RGC分析AO-OCT数据.
- 显著减少训练ML模型所需的手动标签工作.
- 在RGC识别和量化中实现与专家性能相比较的高准确性.
主要方法:
- 引入两个半监督学习策略:交叉一致性培训和交叉伪监督.
- 使用未标记的AO-OCT卷以及一组最小的手动注释数据.
- 拟议的半监督方法与完全监督的ML方法的比较.
主要成果:
- 半监督的方法大大减少了对专家手册注释的需求.
- 两种引入的方法在RGC分析中都超过了完全监督的ML方法.
- 开发的技术实现了与人类专家性能相提并论的准确度水平.
结论:
- 半监督学习为RGC分析在AO-OCT中的完全监督方法提供了可行和有效的替代方案.
- 这些进展具有显著的潜力,可以提高AO-OCT在眼和其他RGC相关疾病的临床效用.
- 减少注释负担可以加速人工智能工具在眼科的开发和部署.
