眼线:深度学习管道用于使用底地标的纵向图像注册

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:

• 纵向 fundus 成像对于跟踪慢性眼睛疾病,如玻璃眼和黄斑变性等至关重要.
• 手动图像审查是主观的,由于图像采集的变化而具有挑战性.
• 需要精确的图像对齐来区分真正的疾病进展与获取文物.

研究的目的:

• 介绍EyeLiner,这是一个深度学习 (DL) 管道,用于注册 (调整) 2D彩色基底照片 (CFP).
• 为了改善纵向图像对的对齐,补偿相机变化,同时保持病态变化.

主要方法:

• EyeLiner使用基于DL的关键点匹配算法,将"移动"图像注册为"固定"图像.
• 使用卷积神经网络检测了视网膜血管上的解剖关键点,并与基于变压器的算法匹配.
• 转换参数是从相应的关键点中学习的.

主要成果:

• 通过定性和定量评估,EyeLiner在三个数据集 (FIRE,CORIS,SIGF) 上展示了有效的对齐.
• 在调整后,平均距离 (MD) 显著下降:FIRE (321.32 到 3.74 px),CORIS (9.86 到 2.03 px),SIGF (25.23 到 5.94 px).
• 与最先进的SuperRetina (0.76, 0.83, 0.74) 相比,获得了更高的曲线下面面积 (AUC) 评分 (0.85, 0.94, 0.84).

结论:

• 与当前最先进的方法相比,EyeLiner管道在多个数据集中提供了改进的图像对照对齐.
• 预计这一进展将有助于临床医生对图像进行调整,并增强随着时间的推移对疾病进展的可视化.