撕裂评估:在光学连贯断层扫描图像中对视网膜疾病进行分类的高级细分和分类框架

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:

• 视网膜疾病威胁视力,因衰老和糖尿病等因素而加剧.
• 光学连贯断层扫描 (OCT) 可以检测早期的异常,但需要细分才能准确量化.
• 当前的方法在同时分类疾病和细分视网膜特征时面临挑战.

研究的目的:

• 开发一个创新的深度学习框架,同时用于OCT图像分类和视网膜撕裂细分.
• 用OCT成像提高各种视网膜疾病的诊断能力.
• 通过精确的图像细分来提高视网膜异常的量化.

主要方法:

• 一个并行的面具引导卷积神经网络 (PM-CNN) 已被开发用于OCT B扫描分类.
• 来自PM-CNN的等级激活地图 (GAM) 指导了V-Net网络 (GAM V-Net) 进行细分.
• 该框架的训练和验证是基于四个公共数据集和一个实时数据集的综合数据集,涵盖11个视网膜疾病类别.

主要成果:

• 双重框架实现了视网膜疾病的分类准确率为99.10±0.10%.
• 对视网膜撕裂的细分性能产生了78.33±0.15%的子系数.
• 该模型通过有效地细分视网膜液体和识别未见数据上的伤,证明了强大的通用性.

结论:

• 拟议的深度学习框架提供了一个强大的工具,用于从OCT扫描中同时诊断和量化视网膜疾病.
• 这种综合方法提高了眼科诊断的效率和准确性.
• 该框架的通用性凸显了其在各种视网膜疾病中临床应用的潜力.