使用半监督学习为MacTel开发了10层视网膜细分,使用半监督学习

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:

• 光学连贯断层扫描 (OCT) 的自动分段软件通常是针对常见疾病开发和测试的,导致罕见病理的准确性有限.
• 在OCT中,视网膜层和特征的准确细分对于诊断和监测眼睛疾病至关重要.

研究的目的:

• 开发一个半监督的深度学习模型,用于对10个视网膜层和4个特征进行细分,用于OCT眼睛图像中,这些眼睛患有II型黄斑长长眼病 (MacTel).
• 利用一个小的标记数据集和大量的未标记图像来提高这种罕见疾病的细分精度.
• 将开发的模型与流行的监督和半监督模型进行比较.

主要方法:

• 开发了一种半监督的深度学习细分模型.
• 在一个小的标记数据集上训练模型,MacTel OCT图像,加上一个更大的未标记图像集.
• 使用交叉与联合 (IoU) 评估模型性能,并将其与现有的监督和半监督模型进行比较.
• 进行了废弃性研究,以评估未标记数据对模型性能的影响.

主要成果:

• 在IOU中,半监督模型在10个视网膜层和2个视网膜特征上显著优于所有其他测试模型.
• 在所有模型中,对视网膜前空间和背景进行细分的性能是相似的.
• 增加训练中使用的未标记图像的数量,提高了半监督模型的性能.

结论:

• 使用半监督方法利用未标记的数据,与纯监督方法相比,提高了海外和海外国家的细分性能,特别是对于像MacTel.com这样的罕见疾病.
• 这一策略有可能在其他条件下改善细分,标记数据有限,但有大量的无标记的OCT图像.