DcardNet：基于结构与血管造影光学相干断层扫描的多层级糖尿病视网膜病变分类
图像与视频处理
2020-09-28 v2 计算机视觉与模式识别
机器学习
摘要
目的：光学相干断层扫描（OCT）及其血管造影（OCTA）在早期检测和诊断糖尿病视网膜病变（DR）方面具有若干优势。然而，基于 OCT 和 OCTA 数据的自动化、完整 DR 分类框架尚未被提出。在本研究中，提出一种基于卷积神经网络（CNN）的方法，利用 en face OCT 和 OCTA 实现 DR 分类框架。方法：设计了一种具有自适应速率丢弃的密集连续连接神经网络（DcardNet）用于 DR 分类。此外，提出并采用自适应标签平滑来抑制过拟合。根据国际临床糖尿病视网膜病变分级标准，为每个病例生成三个独立的分类层级。在最高层级，网络将扫描分类为 DR 可转诊或不可转诊。第二层级将眼部分类为非 DR、非增殖性 DR（NPDR）或增殖性 DR（PDR）。最后一层级将病例分类为无 DR、轻度和中度 NPDR、重度 NPDR 以及 PDR。结果：我们使用 10 折交叉验证，以 10% 的数据评估网络性能。三个层级的总体分类准确率分别为 95.7%、85.0% 和 71.0%。结论/意义：一种可靠、灵敏且特异的用于转诊眼科医生的自动化分类框架，可成为减少 DR 相关视力丧失的关键技术。
引用
@article{arxiv.2006.05480,
title = {DcardNet: Diabetic Retinopathy Classification at Multiple Levels Based on Structural and Angiographic Optical Coherence Tomography},
author = {Pengxiao Zang and Liqin Gao and Tristan T. Hormel and Jie Wang and Qisheng You and Thomas S. Hwang and Yali Jia},
journal= {arXiv preprint arXiv:2006.05480},
year = {2020}
}
备注
Accepted for publication by IEEE Transactions on Biomedical Engineering