泛视网膜:一个半监督的框架,用于可扩展的检测泛视网膜疾病

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:

• 早期发现光学疾病对于及时干预至关重要.
• 视网膜底部图像是识别各种眼睛疾病早期迹象的关键.
• 自动分类需要精确分离感兴趣的区域 (ROI) 进行准确的诊断.

研究的目的:

• 引入Pan-Ret,这是一个半监督的框架,用于检测视网膜图像中的异常.
• 以注释不可知的方式在生物医学相关的ROI中找到异常.
• 为广泛的视网膜疾病开发多功能诊断管道.

主要方法:

• 利用在健康的视网膜图像上训练的并行自编码器来检测异常.
• 采用异常检测设置用于初步识别不寻常模式.
• 应用了支持矢量机 (SVM) 分类器来分离基于ROI的异常图像.

主要成果:

• 在检测两个公共数据集中的异常时,获得了0.95和0.96的高F1得分.
• 在各种视网膜疾病中表现出有效性,包括糖尿病视网膜病变,玻璃眼和黄斑变性.
• 以分阶段,多种疾病检测的方式验证了框架的能力.

结论:

• 泛视网膜代表着向全面的泛视网膜疾病诊断管道迈出的重大进步.
• 该框架的单一类学习方法提高了未来疾病类的概括性和适应性.
• 拟议的方法显示了在现实环境中可扩展的临床应用的强大潜力.