基于深度学习从结构与血管造影光学相干断层扫描中自动分割视网膜积液体积
图像与视频处理
2020-10-28 v1 计算机视觉与模式识别
摘要
目的：我们提出了一种名为视网膜积液分割网络（ReF-Net）的深度卷积神经网络（CNN），用于在光学相干断层扫描（OCT）体积上分割视网膜积液体积。方法：在一项临床糖尿病视网膜病变（DR）研究（45名视网膜水肿患者和6名健康对照）中，使用70-kHz OCT商用AngioVue系统（RTVue-XR；Optovue, Inc.）对一只眼采集3 x 3-mm OCT扫描。构建具有U-Net类似架构的CNN以检测和分割视网膜积液。横断面OCT和血管造影（OCTA）扫描用于训练和测试ReF-Net。本研究探讨了纳入OCTA数据对视网膜积液分割的影响。可利用ReF-Net的输出构建体积视网膜积液。计算接收者操作特征曲线下面积（AROC）、交并比（IoU）和F1分数以评估ReF-Net性能。结果：ReF-Net在视网膜积液分割中显示出高准确度（F1 = 0.864 ± 0.084）。通过同时纳入OCTA与结构OCT信息，性能可进一步提升（F1 = 0.892 ± 0.038）。ReF-Net对阴影伪影也表现出强鲁棒性。无论横断面还是面投影，体积视网膜积液都比2D面积提供更全面的信息。结论：基于深度学习的方法可在OCT/OCTA扫描上准确进行体积视网膜积液分割，并对阴影伪影具有强鲁棒性。OCTA数据可改善视网膜积液分割。视网膜积液的体积表示优于2D投影。转化相关性：使用深度学习方法进行体积视网膜积液分割有潜力提升OCT系统对糖尿病性黄斑水肿的诊断准确度。
引用
@article{arxiv.2006.02569,
title = {Automated segmentation of retinal fluid volumes from structural and angiographic optical coherence tomography using deep learning},
author = {Yukun Guo and Tristan T. Hormel and Honglian Xiong and Jie Wang and Thomas S. Hwang and Yali Jia},
journal= {arXiv preprint arXiv:2006.02569},
year = {2020}
}