Deep-OCTA：基于集成深度学习的 OCTA 图像糖尿病视网膜病变分析方法
图像与视频处理
2022-10-04 v1 计算机视觉与模式识别
摘要
超广角光学相干断层扫描血管造影（OCTA）已成为糖尿病视网膜病变（DR）诊断中的重要成像方式。然而，聚焦于使用超广角 OCTA 进行自动 DR 分析的研究很少。在本文中，我们提出了基于超广角 OCTA 的、面向糖尿病视网膜病变分析挑战赛（DRAC）的新颖且实用的深度学习解决方案。在 DR 病灶分割任务中，我们利用 UNet 和 UNet++ 分割三种病灶，并采用强数据增强与模型集成。在图像质量评估任务中，我们创建了 InceptionV3、SE-ResNeXt 和 Vision Transformer 模型的集成。在大规模数据集上的预训练以及混合 MixUp 与 CutMix 策略均被采用以提升模型的泛化能力。在 DR 分级任务中，我们构建了 Vision Transformer（ViT）并发现，在彩色眼底图像上预训练的 ViT 模型可作为 OCTA 图像的有用基底。我们提出的方法在 DRAC 的三个排行榜上分别排名第 4、第 3 和第 5。源代码将发布于 https://github.com/FDU-VTS/DRAC。
引用
@article{arxiv.2210.00515,
title = {Deep-OCTA: Ensemble Deep Learning Approaches for Diabetic Retinopathy Analysis on OCTA Images},
author = {Junlin Hou and Fan Xiao and Jilan Xu and Yuejie Zhang and Haidong Zou and Rui Feng},
journal= {arXiv preprint arXiv:2210.00515},
year = {2022}
}