面向眼科图像的抗伪影聚类引导对比嵌入学习

眼科图像及其衍生图像（如视网膜神经纤维层（RNFL）厚度图）对于眼科疾病（例如青光眼）的检测与监测至关重要。对于眼病的计算机辅助诊断，关键技术是从眼科图像中自动提取有意义的特征，以揭示与功能性视力丧失相关的生物标志物（例如RNFL变薄模式）。然而，由于患者间较大的解剖差异，从关联结构性视网膜损伤与人体视力丧失的眼科图像中进行表示学习并非易事。在图像伪影存在时，该任务更具挑战性，而伪影因图像采集与自动分割问题十分常见。在本文中，我们提出一种抗伪影的无监督学习框架EyeLearn，用于学习眼科图像的表示。EyeLearn具有伪影校正模块，以学习能最佳预测无伪影眼科图像的表示。此外，EyeLearn采用聚类引导对比学习策略，显式捕捉图像内与图像间的亲和性。在训练中，图像被动态组织成簇以形成对比样本，其中同一簇或不同簇中的图像分别被鼓励学习相似或不相似的表示。为评估EyeLearn，我们使用真实世界青光眼患者眼科图像数据集，将学习到的表示用于视野预测与青光眼检测。大量实验及与SOTA方法的对比验证了EyeLearn从眼科图像中学习最优特征表示的有效性。