可通用多式联网膜图像注册通过无标签的容器细分
Utkarsh Doshi1, Elli Davis2, Mayss Al-Sheikh3
1Department of Ophthalmology, University of Pittsburgh, School of Medicine, Pittsburgh, Pennsylvania, United States.
Biomedical signal processing and control
|November 3, 2025
概括
这项研究引入了一种新的,无标签的方法,用于使用血管结构记录多模式视网膜图像. 这种方法通过整合各种成像数据来提高视网膜疾病 (如糖尿病视网膜病变和AMD) 的诊断准确性.
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:
- 多模式视网膜成像对于诊断和管理糖尿病视网膜病变和与年龄相关的黄斑变性 (AMD) 等疾病至关重要.
- 准确地记录来自不同模式 (CF,FAG,FAF,ICG,OCT,IR) 的图像对于整合互补的病理见解至关重要.
- 现有的注册方法通常需要标记数据集,这限制了它们的概括性和应用.
研究的目的:
- 开发一种可通用,无标签的视网膜图像注册算法,适用于多种成像模式.
- 通过集成的多式联络网膜数据,提高疾病量化,监测和自动诊断的准确性.
- 通过消除对大型标记训练数据集的需求,克服现有方法的局限性.
主要方法:
- 开发了一种新的,无标签的视网膜图像注册方法.
- 使用DexiNed算法提取船舶结构以促进注册.
- 该方法在各种多模式配对中进行了评估 (CF-IR,CF-FAF,CF-FAG,CF-ICG,FAF-FAG,FAF-ICG,FAG-ICG).
主要成果:
- 提出的方法在不同的模式组合中实现了1.91±0.44和4.9±2.32像素之间的平均基准误差 (MLE).
- 对色底 (CF) 和红外 (IR) 图像的注册产生了3.08±1.47像素的MLE.
- 通过注册CF和 Fundus自光 (FAF) 图像,获得了4.9±2.32像素的MLE,相当于人类的注释.
结论:
- 开发的无标签注册方法有效地整合了多模式视网膜成像数据.
- 这种方法提高了对各种视网膜疾病的诊断精度和疾病监测.
- 消除对标记训练数据的需求增加了该方法的实用性和广泛适用性.
