基于Siamese网络和Wasserstein距离的视网膜OCT中黄斑年龄相关性黄斑变性活动变化的自动检测与预测
图像与视频处理
2025-01-27 v1 计算机视觉与模式识别
机器学习
摘要
黄斑年龄相关性转化性黄斑变性(nAMD)是老年人群视力丧失的主要原因,其中疾病活动检测和病程预测对于及时药物给予和改善患者预后至关重要。近期深度学习技术为从光学相干断层扫描(OCT)视网膜体积预测AMD变化提供了有前景的解决方案。本文提出了用于MICCAI 2024公开MARIO挑战赛的两项任务的深度学习模型,旨在利用纵向视网膜OCT检测和预测nAMD严重程度的变化。对于第一项任务,我们采用基于Vision Transformer(ViT)的Siamese网络通过比较患者在不同时间点之间的扫描嵌入来检测AMD严重程度的变化。为训练预测3个月后变化的模型,我们首次利用地毯距离(Earth Mover,即Wasserstein距离)基于损失函数来利用严重程度变化类别中的序数关系。两个模型在初步排行榜中均取得高分,表明其预测能力可能促进nAMD治疗管理。
引用
@article{arxiv.2501.14323,
title = {Automatic detection and prediction of nAMD activity change in retinal OCT using Siamese networks and Wasserstein Distance for ordinality},
author = {Taha Emre and Teresa Araújo and Marzieh Oghbaie and Dmitrii Lachinov and Guilherme Aresta and Hrvoje Bogunović},
journal= {arXiv preprint arXiv:2501.14323},
year = {2025}
}
备注
Solution to the MICCAI 2024 MARIO Challange. First 3 authors contributed equally. Models can be found at https://github.com/EmreTaha/Siamese-EMD-for-AMD-Change