基于深度学习从视网膜眼底图像预测屈光不正
计算机视觉与模式识别
2020-06-03 v1
摘要
屈光不正作为导致视觉损伤的主要原因之一，可通过配镜等简单干预手段矫正。我们训练了一种深度学习算法，从英国生物样本库（UK Biobank）队列参与者（45度视场图像）和AREDS临床试验（含30度视场图像）的眼底照片中预测屈光不正。我们的模型使用“注意力（attention）”方法识别与屈光不正相关的特征。算法预测与AREDS和UK Biobank中获得的屈光不正之间的平均绝对误差（MAE）如下：所得算法在UK Biobank数据集上估计球镜等效的MAE为0.56屈光度（95% CI：0.55-0.56），在AREDS数据集上为0.91屈光度（95% CI：0.89-0.92）。基线预期MAE（通过简单预测该人群均值获得）在UK Biobank为1.81屈光度（95% CI：1.79-1.84），在AREDS为1.63（95% CI：1.60-1.67）。注意力图表明，中央凹区域是算法进行该预测所使用的最重要区域之一，尽管其他区域也对预测有贡献。从视网膜眼底照片高精度估计屈光不正的能力此前未被认知，并表明深度学习可应用于从医学图像中做出新颖预测。鉴于若干团队近期已展示使用手机和廉价附件获取视网膜眼底照片可行，本工作在全球验光仪可能不易获得的地区尤其具有意义。
引用
@article{arxiv.1712.07798,
title = {Deep learning for predicting refractive error from retinal fundus images},
author = {Avinash V. Varadarajan and Ryan Poplin and Katy Blumer and Christof Angermueller and Joe Ledsam and Reena Chopra and Pearse A. Keane and Greg S. Corrado and Lily Peng and Dale R. Webster},
journal= {arXiv preprint arXiv:1712.07798},
year = {2020}
}