亚特拉斯:一个具有解剖学意识的自我监督的学习框架,用于可泛化的视网膜疾病检测.

科学领域:

• 眼科和医学成像学
• 医疗保健中的人工智能
• 计算生物学 计算生物学

背景情况:

• 医学成像,特别是视网膜底部摄影,对于早期发现眼部疾病至关重要.
• 由于缺乏专家注释的视网膜数据,深度学习诊断受到阻碍,这是昂贵和耗时的.
• 目前的自我监督学习 (SSL) 模型缺乏关键的视网膜解剖知识的整合,限制了临床相关性.

研究的目的:

• 开发一个解剖意识的SSL框架用于视网膜成像.
• 通过整合领域知识来解决医疗AI中有限的标记数据的挑战.
• 增强视网膜疾病深度学习模型的临床相关性和诊断能力.

主要方法:

• 在预训练期间引入了一种新的SSL框架,利用视网膜结构 (血管,光盘) 的专业掩护.
• 使用容器和光盘细分图来指导SSL过程.
• 结合了视觉变压器与双掩盖策略和解剖学知情损失函数.

主要成果:

• 具有解剖学意识的SSL框架在分类各种视网膜疾病方面表现出了竞争力.
• 在不需要广泛的标记数据的情况下,成功开发了临床相关的特征表示.
• 在多个数据集中验证的有效性用于糖尿病视网膜病变,玻璃眼和与年龄相关的黄斑变性检测.

结论:

• 具有解剖学意识的SSL有效地推进了视网膜疾病的自动诊断.
• 拟议的框架克服了眼科中有限的标记医疗数据的关键挑战.
• 这种方法增强了深度学习对眼部疾病检测和治疗规划的有用性.