SD-LayerNet:通过解剖学先验进行强大且标签效率高的视网膜层细分.
Botond Fazekas1, Guilherme Aresta1, Dmitrii Lachinov1
1Christian Doppler Laboratory for Artificial Intelligence in Retina, Department of Ophthalmology and Optometry, Medical University of Vienna, Vienna, Austria; Institute of Artificial Intelligence, Center for Medical Data Science, Medical University of Vienna, Vienna, Austria.
Computer methods and programs in biomedicine
|January 14, 2025
概括
这项研究提出了一种新的半监督方法,用于使用光学连贯断层扫描 (OCT) 扫描进行视网膜层细分. 该方法通过利用未标记的数据和解剖学先验来实现最先进的性能,使用最小的标记数据.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 计算机视觉 计算机视觉
背景情况:
- 在光学连贯断层扫描 (OCT) 中自动化的视网膜层细分对于管理视网膜疾病至关重要.
- 目前的方法需要大量的标记数据,并且经常产生解剖学上不可信的结果,限制了临床效用.
研究的目的:
- 开发一种半监督的方法,用于在OCT中进行解剖学上连贯的视网膜层细分.
- 减少对大型标记数据集的依赖,提高自动化细分的可靠性.
主要方法:
- 一种半监督的方法,利用未标记的OCT数据和解剖学先验.
- 一个新的拓引擎,用于将推断边界转换为结构化,解剖学上有效的细分.
- 用解的表示和预测的风格因素重建输入图像,以注释和解剖学知识为指导.
主要成果:
- 在多个数据集中实现的最先进的性能,特别是在低数据制度中.
- 证明了对不同收购设置和域名转移的稳定性.
- 有效地利用来自不同领域的未标记数据,以最小的性能降低.
结论:
- 开发了一种强大且标签效率高的视网膜层细分方法.
- 拟议的方法大大减少了对标记训练数据的需求,同时保持了高性能.
- 该方法确保了解剖学连贯性和稳健性,提高了临床适用性.


