用于地理萎缩分割以研究其长期自然史的深度学习模型
图像与视频处理
2020-10-30 v1 计算机视觉与模式识别
摘要
目的：开发并验证一种用于彩色眼底图像(CFIs)中地理萎缩(GA)自动分割的深度学习模型，并将其应用于研究GA的生长速率。研究对象：来自Rotterdam Study (RS)和Blue Mountain Eye Study (BMES)的238眼409张CFIs用于模型开发，来自Age-Related Eye Disease Study (AREDS)的625眼5,379张CFIs用于GA生长速率分析。方法：实现并优化了一种基于编码器-解码器架构集成的深度学习模型，用于CFIs中GA的分割。四位经验丰富的分级员勾画了RS和BMES中CFIs的GA。这些手动勾画用于通过5折交叉验证评估分割模型。该模型进一步应用于AREDS的CFIs以研究GA的生长速率。使用线性回归分析研究基线结构生物标志物与GA生长速率之间的关联。通过合并AREDS集中所有GA眼的生长速率，给出GA面积随时间进展的总体估计。结果：该模型在BMES和RS上获得平均Dice系数0.72 0.26。自动估计的GA面积与分级员共识测量之间达到0.83的类内相关系数。八个自动计算的结构生物标志物(面积、填充面积、凸面积、凸实度、偏心率、圆度、中央凹累及和周长)与生长速率显著相关。合并所有生长速率表明，GA面积以二次方式增长至约12 mm的面积，此后生长速率稳定或下降。结论：所提出的深度学习模型实现了CFIs中GA的完全自动且鲁棒的分割。这些分割可用于提取预测其生长速率的GA结构特征。
引用
@article{arxiv.1908.05621,
title = {A deep learning model for segmentation of geographic atrophy to study its long-term natural history},
author = {Bart Liefers and Johanna M. Colijn and Cristina González-Gonzalo and Timo Verzijden and Paul Mitchell and Carel B. Hoyng and Bram van Ginneken and Caroline C. W. Klaver and Clara I. Sánchez},
journal= {arXiv preprint arXiv:1908.05621},
year = {2020}
}
备注
22 pages, 3 tables, 4 figures, 1 supplemental figure