基于图神经网络的多光谱视图学习模型用于色素图中的糖尿病视网膜缺血检测
图像与视频处理
2025-02-26 v1 人工智能
计算机视觉与模式识别
摘要
糖尿病视网膜缺血（DMI），表现为视网膜小血管丢失，导致糖尿病患者的视力受损。尽管色素图（CFPs）结合人工智能（AI）已被广泛应用于检测各种眼部疾病，包括糖尿病视网膜病变（DR），但其在检测DMI的应用仍未得到探索，部分原因是眼科医生对其可行性持怀疑态度。本研究提出了一种基于图神经网络的多光谱视图学习（GNN-MSVL）模型，用于从CFPs检测DMI。该模型利用更高的光谱分辨率来捕捉由缺血组织引起的视网膜反射率的细微变化，从而增强对DMI相关特征的灵敏度。该方法的初步步骤是使用计算多光谱成像（CMI）从CFPs重建24波长的多光谱视网膜图像。ResNeXt101作为多视图学习的主干网络，用于从重建图像中提取特征。此外，设计了一个带有自定义跳跃连接策略的GNN，用于增强跨光谱关系，促进综合而高效的多光谱视图学习。本研究包括1078个以黄斑为中心的CFPs，来自592名糖尿病患者的1078只眼睛，其中300名患者的530只眼睛被诊断为DMI。该模型在眼部水平上实现了84.7%的准确率和0.900的受试者工作特征曲线下面积（AUROC，95%置信区间：0.852-0.937），显著优于从CFPs训练的基线模型和人类专家（p值小于0.01）。这些发现表明，基于AI的CFP分析有望用于检测DMI，促进其早期和低成本筛查。
引用
@article{arxiv.2502.17886,
title = {A graph neural network-based multispectral-view learning model for diabetic macular ischemia detection from color fundus photographs},
author = {Qinghua He and Hongyang Jiang and Danqi Fang and Dawei Yang and Truong X. Nguyen and Anran Ran and Clement C. Tham and Simon K. H. Szeto and Sobha Sivaprasad and Carol Y. Cheung},
journal= {arXiv preprint arXiv:2502.17886},
year = {2025}
}