对视神经乳头光学相干断层扫描图像进行数字染色的深度学习方法
机器学习
2017-07-25 v1
摘要
目的：开发一种深度学习方法，对视神经乳头（ONH）的光学相干断层扫描（OCT）图像进行数字染色。方法：使用 OCT（Spectralis）对 100 名受试者（40 名正常人与 60 名青光眼患者）每人的 1 只眼睛进行通过 ONH 中心的水平 B 扫描。所有图像均使用自适应补偿进行增强。随后设计了一个定制的深度学习网络，并用补偿后的图像对其进行训练，以对 ONH 的 6 个组织层进行数字染色（即高亮显示）。使用 Dice 系数、敏感性和特异性评估了我们算法的准确度（以人工分割为基准）。我们进一步研究了补偿和训练图像数量如何影响算法的性能。结果：对于尚未评估过的图像，我们的算法能够对视网膜神经纤维层与前层板、视网膜色素上皮层、所有其他视网膜层、脉络膜以及视乳头周围巩膜和筛板进行数字染色。对于所有组织，平均 Dice 系数为 ，平均敏感性为 ，平均特异性为 。当使用补偿后的图像进行训练时，我们的算法表现显著更好。增加训练图像数量（从 10 张增加到 40 张）并未显著提升性能，RPE 除外。结论：我们的深度学习算法能够同时对 ONH 图像中的神经组织和结缔组织进行染色。我们的方法提供了一个框架，可自动测量 ONH 的多个关键结构参数，这可能对改善青光眼管理至关重要。
引用
@article{arxiv.1707.07609,
title = {A Deep Learning Approach to Digitally Stain Optical Coherence Tomography Images of the Optic Nerve Head},
author = {Sripad Krishna Devalla and Jean-Martial Mari and Tin A. Tun and Nicholas G. Strouthidis and Tin Aung and Alexandre H. Thiery and Michael J. A. Girard},
journal= {arXiv preprint arXiv:1707.07609},
year = {2017}
}