基于OCT体数据的特征无关青光眼检测方法
计算机视觉与模式识别
2019-10-25 v4 机器学习
机器学习
摘要
基于光学相干断层扫描(OCT)的视网膜层厚度测量，如视网膜神经纤维层(RNFL)和神经节细胞与内丛状层(GCIPL)，常用于青光眼的诊断与监测。此前，机器学习技术利用了基于分割的成像特征，如视乳头旁RNFL厚度和杯盘比。本文中，我们提出一种深度学习技术，使用3D卷积神经网络(CNN)直接从视乳头(ONH)的原始、未分割OCT体数据中将眼睛分类为健康或青光眼性。我们将该技术的准确率与多种基于特征的机器学习算法进行比较，并证明了所提基于深度学习的方法的优越性。逻辑回归被发现是表现最好的经典机器学习技术，AUC为0.89。直接对比下，深度学习方法取得了显著更高的AUC为0.94，并且具有额外优势，可揭示OCT体数据中哪些区域对青光眼检测重要。通过计算类激活图(CAM)，我们发现CNN将神经视网膜缘和视盘杯凹以及筛板(LC)及其周围区域识别为与青光眼分类显著相关的区域。这些区域在解剖学上对应于成熟且常用的青光眼临床诊断标志物，如杯体积增大、杯直径增大以及上、下段的神经视网膜缘变薄。
引用
@article{arxiv.1807.04855,
title = {A feature agnostic approach for glaucoma detection in OCT volumes},
author = {Stefan Maetschke and Bhavna Antony and Hiroshi Ishikawa and Gadi Wollstein and Joel S. Schuman and Rahil Garnavi},
journal= {arXiv preprint arXiv:1807.04855},
year = {2019}
}
备注
13 pages,3 figures