用于良恶性眼肿瘤生长估计的深度学习模型

相对丰富的医学影像数据可用性为基于神经网络的图像处理方法的开发与测试提供了重要支持。临床医生常在为医学影像数据选择合适的图像处理算法时面临困难。此处提出一种选择合适模型的策略。训练数据集包含 50 只小鼠眼的 Optical Coherence Tomography (OCT) 与血管造影 (OCT-A) 图像，随访超过 100 天。数据包含经处理与未处理小鼠眼的图像。测试了四种深度学习变体用于自动 (a) 区分肿瘤区域与健康视网膜层，以及 (b) 分割 3D 眼肿瘤体积。使用 8 个性能指针对深度学习模型关于训练与测试图像数量进行了详尽敏感性分析，以研究准确性、可靠性/可重复性与速度。U-net 结合 UVgg16 对经处理的恶性肿瘤数据集（具有显著变异）最佳，U-net 结合 Inception 骨干对良性肿瘤数据（微小变异）最佳。损失值与均方根误差 (R.M.S.E.) 分别被发现为最敏感与最不敏感的性能指标。性能（通过指标）随训练图像数量呈指数改善。分割的 OCT 血管造影数据显示新生血管化驱动肿瘤体积。图像分析显示光动力成像辅助肿瘤治疗方案正将侵袭性生长肿瘤转化为囊肿。获得了一个经验表达式，以帮助医学专业人员给定图像数量与特征类型选择特定模型。我们建议，在将特定深度学习模型用于生物医学图像分析前，应将所述工作作为标准实践。