几何自主监督学习:一种新的AI方法,用于定量和可解释的糖尿病视网膜病变检测

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:

• 糖尿病视网膜病变 (DR) 是工作年龄成人失明的主要原因.
• 早期发现DR对于预防视力损失至关重要,但在手动方法方面面临挑战.
• 自动检测DR病变是必要的,以克服手动分析的局限性.

研究的目的:

• 开发和验证一个没有注释的深度学习策略,用于自动检测排泄物和出血点.
• 评估色底摄影 (CFP) 和超广场 (UWF) 视网膜图像上的策略.
• 为了评估模型的性能,而不需要在培训中进行手动注释.

主要方法:

• 使用了三个队列:两个CFP (Kaggle-CFP,E-Ophtha) 和一个UWF.
• 开发了一种使用U-Net模型训练在视网膜图像中获得的对比场上训练的算法.
• 评估模型性能使用灵敏度和假阳性率在独立的测试集与手动注释.

主要成果:

• 在CFP图像上实现了DR病变检测的高灵敏度 (例如,微动脉瘤91.5%,出血92.6%).
• 在UWF图像上对出血和排泄物检测具有可变但高灵敏度,性能因病变大小而异.
• 报告了不同的错误阳性率,在两种图像类型中,对于较小的病变通常更高.

结论:

• 该研究成功地证明了DR病变检测的无注释深度学习方法的可行性.
• 这种方法可以有效地训练神经网络以识别和细分与DR相关的病变.
• 开发的战略为自动化DR查和诊断提供了一个有希望的途径.