基于视盘局部切迹分析的深度学习青光眼自动诊断框架
图像与视频处理
2021-12-13 v1 计算机视觉与模式识别
摘要
视网膜眼底图像的自动评估正成为早期检测和治疗青光眼等进行性眼病的最重要工具之一。青光眼导致视力进行性退化，其特征是视杯形状变形和血管退化，沿神经视网膜边缘形成切迹。在本文中，我们提出了一种基于深度学习的流程，用于从数字眼底图像（DFIs）中自动分割视盘（OD）和视杯（OC）区域，从而提取预测青光眼所需的独特特征。该方法利用神经视网膜边缘的局部切迹分析以及杯盘比数值作为分类参数，以提升计算机辅助设计（CAD）系统分析青光眼的准确性。采用基于支持向量的机器学习算法进行分类，根据提取的特征将 DFIs 分类为青光眼性或正常。所提流程在公开可用的 DRISHTI-GS 数据集上进行了评估，检测 DFIs 中青光眼的准确率达 93.33%。
引用
@article{arxiv.2112.05748,
title = {Deep Learning based Framework for Automatic Diagnosis of Glaucoma based on analysis of Focal Notching in the Optic Nerve Head},
author = {Sneha Dasgupta and Rishav Mukherjee and Kaushik Dutta and Anindya Sen},
journal= {arXiv preprint arXiv:2112.05748},
year = {2021}
}