用于光学相干断层扫描中玻璃膜疣与网状假性玻璃膜疣检测与定量的深度学习框架
图像与视频处理
2022-12-06 v1 人工智能
计算机视觉与模式识别
摘要
目的——开发并验证一种用于光学相干断层扫描扫描中玻璃膜疣(drusen)与网状假性玻璃膜疣(RPD)检测与定量的深度学习(DL)框架。设计——用于分类与特征分割的深度学习模型的开发与验证。方法——开发了一个 DL 框架,其包含一个分类模型和一个分布外(OOD)检测模型以识别不可分级的扫描;一个用于识别含玻璃膜疣或 RPD 扫描的分类模型;以及一个用于将病灶独立分割为 RPD 或玻璃膜疣的图像分割模型。数据来自英国生物样本库(UKBB)中 1284 名自我报告诊断为年龄相关性黄斑变性(AMD)的参与者以及 250 名 UKBB 对照。玻璃膜疣和 RPD 由五名视网膜专家手动勾画。主要结局指标为灵敏度、特异度、ROC 曲线下面积(AUC)、kappa、准确率和组内相关系数(ICC)。结果——分类模型在各自任务上表现强劲(不可分级扫描分类器、OOD 模型以及玻璃膜疣和 RPD 分类模型的 AUC 分别为 0.95、0.93 和 0.99)。玻璃膜疣和 RPD 面积相对于分级者的平均 ICC 分别为 0.74 和 0.61,而分级者间一致性分别为 0.69 和 0.68。FROC 曲线显示模型的灵敏度接近人类表现。结论——模型取得了与人类表现相似的高分类与分割性能。该稳健框架的应用将增进我们在研究和临床环境中对 RPD 作为不同于玻璃膜疣的独立实体的理解。
引用
@article{arxiv.2204.02406,
title = {A deep learning framework for the detection and quantification of drusen and reticular pseudodrusen on optical coherence tomography},
author = {Roy Schwartz and Hagar Khalid and Sandra Liakopoulos and Yanling Ouyang and Coen de Vente and Cristina González-Gonzalo and Aaron Y. Lee and Robyn Guymer and Emily Y. Chew and Catherine Egan and Zhichao Wu and Himeesh Kumar and Joseph Farrington and Clara I. Sánchez and Adnan Tufail},
journal= {arXiv preprint arXiv:2204.02406},
year = {2022}
}
备注
26 pages, 7 figures