经临床验证的视网膜神经节细胞感知型青光眼进展分级混合深度学习系统
图像与视频处理
2020-11-22 v1 计算机视觉与模式识别
摘要
目的：青光眼是全球致盲的第二大原因。通过分析视网膜神经节细胞（RGCs）的退化可便捷监测青光眼进展。许多研究者通过测量眼底与光学相干断层扫描中的杯盘比来筛查青光眼。然而，本文提出一种关注 RGC 萎缩以筛查青光眼病变并分级其严重程度的新策略。方法：所提框架包含一种混合卷积网络，可提取视网膜神经纤维层、神经节细胞连同内丛状层以及神经节细胞复合体区域，从而实现对青光眼受试者的定量筛查。此外，通过分析这些区域的厚度，对筛查病例中青光眼的严重程度进行客观分级。结果：所提框架在公开可用的 Armed Forces Institute of Ophthalmology (AFIO) 数据集上严格测试，诊断青光眼的 F1 分数为 0.9577，提取 RGC 区域的均值 Dice 系数为 0.8697，分级青光眼进展的准确率为 0.9117。此外，该框架性能经四位眼科专家标注进行临床验证，取得统计显著的 Pearson 相关系数 0.9236。结论：与现有最优方案相比，对 RGC 退化的自动评估可实现更优的青光眼筛查与分级。意义：RGC 感知系统不仅能筛查青光眼，还可分级其严重程度；本文给出端到端解决方案，其在标准化数据集上充分评估并经临床验证用于分析青光眼病变。
引用
@article{arxiv.2010.03872,
title = {Clinically Verified Hybrid Deep Learning System for Retinal Ganglion Cells Aware Grading of Glaucomatous Progression},
author = {Hina Raja and Taimur Hassan and Muhammad Usman Akram and Naoufel Werghi},
journal= {arXiv preprint arXiv:2010.03872},
year = {2020}
}
备注
Accepted in IEEE Transactions on Biomedical Engineering, Source Code: https://github.com/taimurhassan/rag-net-v2