用面对面和B扫描图像的多视图融合进行准确的视网膜多种疾病诊断的深度学习网络:多中心研究
Chubin Ou1,2, Xifei Wei2, Lin An2,3
1Department of Radiology, Guangdong Provincial People's Hospital (Guangdong Academy of Medical Sciences), Southern Medical University, Guangzhou, China.
Translational vision science & technology
|December 18, 2024
概括
结合面部和B扫描光学连贯性断层扫描 (OCT) 图像,可以改善用于诊断视网膜疾病的深度学习模型. 这种多视图融合网络 (MVFN) 显著提高了诊断准确性和性能.
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:
- 使用光学连贯断层扫描 (OCT) 准确诊断视网膜疾病至关重要.
- 无论是B扫描还是面对面的OCT图像,都对全面分析至关重要.
- 当前的深度学习模型可能无法充分利用来自不同OCT图像类型的综合信息.
研究的目的:
- 为了研究面对面和B扫描OCT图像的融合效果.
- 为了提高视网膜疾病的深度学习模型的诊断性能.
- 开发和评估一个新的多视图融合网络 (MVFN).
主要方法:
- 提出了一个具有决策融合模块的多视图融合网络 (MVFN).
- 该MVFN集成快轴和慢轴B扫描,并面对OCT信息.
- 将MVFN与使用公共和私人多中心数据集的五种最先进的方法进行了比较.
主要成果:
- 在私人外部测试组中,MVFN实现了0.994的最高曲线下面积 (AUC).
- 在OCTA-500公共数据集中,MVFN也实现了0.976.97的最高AUC.
- 激活热图说明了结合面对面和B扫描图像的协同效益.
结论:
- 面对面和B扫描OCT信息的融合是提高诊断准确性的有效策略.
- 多视图融合模型显示出在视网膜疾病诊断中推进AI的巨大潜力.
- 拟议的MVFN在识别视网膜疾病方面表现出卓越的性能.
