基于眼底图像的深学习在视盘之外检测青光眼
图像与视频处理
2021-10-06 v2 计算机视觉与模式识别
摘要
尽管近期青光眼检测深度学习模型报告了前所未有的敏感性和特异性值，但其决策缺乏透明度。在此，我们提出一种方法，推进青光眼检测和垂直杯盘比（VCDR，一项重要风险因素）领域可解释深度学习的发展。我们使用经过特定裁剪策略处理的眼底图像训练和评估深度学习模型。我们将裁剪半径定义为以视神经头（ONH）为中心、占图像尺寸百分比的形式，等距取值范围为 10%–60%（ONH 裁剪策略）。同时应用裁剪掩膜的反转（周边裁剪策略）。使用原始图像训练的模型在青光眼检测上的曲线下面积（AUC）为 0.94 [95% CI: 0.92–0.96]，在 VCDR 估计上的决定系数（R^2）为 77% [95% CI: 0.77–0.79]。在缺失 ONH 的图像上训练的模型仍可获得显著性能（在最极端的 60% ONH 裁剪设置下，青光眼检测 AUC 为 0.88 [95% CI: 0.85–0.90]，VCDR 估计 R^2 得分为 37% [95% CI: 0.35–0.40]）。我们的发现提供了首个无可辩驳的证据：深度学习可从 ONH 之外的眼底图像区域检测青光眼。
引用
@article{arxiv.2103.11895,
title = {Deep learning on fundus images detects glaucoma beyond the optic disc},
author = {Ruben Hemelings and Bart Elen and João Barbosa-Breda and Matthew B. Blaschko and Patrick De Boever and Ingeborg Stalmans},
journal= {arXiv preprint arXiv:2103.11895},
year = {2021}
}