视网膜层和液体病变的联合细分在光学连贯性断层扫描中,具有跨数据集学习
Xiayu Xu1, Hualin Wang1, Yulei Lu1
1The Key Laboratory of Biomedical Information Engineering of Ministry of Education, School of Life Science and Technology, Xi'an Jiaotong University, Xi'an 710049, PR China; Bioinspired Engineering and Biomechanics Center (BEBC), Xi'an Jiaotong University, Xi'an 710049, PR China.
Artificial intelligence in medicine
|February 25, 2025
概括
这项研究引入了一种新的框架,用于在光学连贯断层扫描 (OCT) 图像中对视网膜层和病变进行细分,显著提高了与年龄相关的黄斑变性 (AMD) 检测的准确性. 层次化的多任务方法提高了视网膜结构和病理变化的细分性能.
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:
- 与年龄相关的黄斑变性 (AMD) 是50岁以上人群不可逆转的视力丧失的主要原因.
- 在光学连贯断层扫描 (OCT) 图像中,对视网膜层和病变病变的准确细分对于AMD的识别和监测至关重要.
- 深度学习模型面临的挑战是同时对视网膜层和病变进行细分,因为它们的相互依赖性.
研究的目的:
- 开发一种新的层次多任务框架,用于OCT图像中7个视网膜层和3种类型的病理病变的联合细分.
- 引入回归指导模块,用于在细分子任务之间明确的形状指导.
- 实施跨数据集学习策略,以提高使用部分标记的公共数据集的模型概括性.
主要方法:
- 一个分为三个分支的,分层的多任务框架被设计用于联合细分.
- 纳入了回归指导模块,以提供跨任务形状一致性.
- 该框架在140个OCTB扫描的临床数据集上进行了培训和验证,并与公开数据集上的最新方法进行了比较.
主要成果:
- 拟议的层次架构在大多数视网膜层和病理病变中显示出显著的性能改善.
- 该框架实现了最高的平均子相似系数 (DSC) 76.88%,内液 (IRF) 分段达到68.15%的DSC.
- 对比分析证实,层次化的多任务方法提高了细分精度,优于现有的最先进方法.
结论:
- 开发的分层多任务框架有效地提高了OCT图像中视网膜层和病变细分的准确性.
- 拟议的方法对推动AMD的诊断和管理具有前景.
- 该框架的通用性扩展到其他具有复杂相互依存性的医疗图像细分任务.
