视网膜动静脉交叉模式自动分级系统：复现眼科医师小动脉硬化诊断过程的深度学习方法
图像与视频处理
2022-12-02 v2 计算机视觉与模式识别
机器学习
摘要
视网膜动静脉交叉状态对于小动脉硬化和系统性高血压的临床评估具有重要意义。作为眼科诊断标准，Scheie 分类法已被用于对小动脉硬化的严重程度进行分级。在本文中，我们提出一种支持诊断过程的深度学习方法，据我们所知，这是医学影像中最早的尝试之一。所提出的流程分为三步。首先，我们采用分割与分类模型自动获取视网膜图像中的血管及其对应的动脉/静脉标签，并寻找候选的动静脉交叉点。其次，我们使用分类模型验证真正的交叉点。最后，对血管交叉的严重程度进行分级。为更好地解决标签模糊与标签分布不平衡问题，我们提出一种名为多诊断团队网络（MDTNet）的新模型，其中具有不同结构或不同损失函数的子模型提供不同的决策。MDTNet 统一这些不同理论以给出高准确率的终极决策。我们的严重程度分级方法能够以 96.3% 的精确率和 96.3% 的召回率验证交叉点。在正确检测到的交叉点中，视网膜专科医师的分级与估计得分之间的一致性 kappa 值为 0.85，准确率为 0.92。数值结果表明，我们的方法在动静脉交叉验证与严重程度分级任务上均能取得良好性能。通过所提模型，我们可构建复现视网膜专科医师主观分级而无需特征提取的流程。代码可供复现使用。
引用
@article{arxiv.2011.03772,
title = {Automated Grading System of Retinal Arterio-venous Crossing Patterns: A Deep Learning Approach Replicating Ophthalmologist's Diagnostic Process of Arteriolosclerosis},
author = {Liangzhi Li and Manisha Verma and Bowen Wang and Yuta Nakashima and Hajime Nagahara and Ryo Kawasaki},
journal= {arXiv preprint arXiv:2011.03772},
year = {2022}
}
备注
Accepted in PLOS Digital Health