基于纵向自监督学习的糖尿病视网膜病变检测
计算机视觉与模式识别
2024-03-26 v3 人工智能
机器学习
摘要
纵向影像能够捕捉静态解剖结构以及疾病进展中的动态变化，从而实现更早且更优的个体化病理管理。然而，传统的糖尿病视网膜病变（DR）检测方法很少利用纵向信息来改进 DR 分析。在本工作中，我们探究了将具有纵向特性的自监督学习用于 DR 诊断的益处。我们比较了不同的纵向自监督学习（LSSL）方法，以从纵向视网膜彩色眼底照相（CFP）中建模疾病进展，并利用一对连续检查来检测早期 DR 严重程度变化。实验在一个纵向 DR 筛查数据集上进行，分别采用或不采用那些作为纵向预训练任务的已训练编码器（LSSL）。结果显示，基线模型（从头训练的模型）的 AUC 为 0.875，而在早期融合中使用简单的类 ResNet 架构并冻结 LSSL 权重时，AUC 达到 0.96（95% CI：0.9593–0.9655，DeLong 检验），p 值 < 2.2e-16，这表明 LSSL 潜空间能够编码 DR 进展的动态过程。
引用
@article{arxiv.2209.00915,
title = {Detection of diabetic retinopathy using longitudinal self-supervised learning},
author = {Rachid Zeghlache and Pierre-Henri Conze and Mostafa El Habib Daho and Ramin Tadayoni and Pascal Massin and Béatrice Cochener and Gwenolé Quellec and Mathieu Lamard},
journal= {arXiv preprint arXiv:2209.00915},
year = {2024}
}
备注
Accepted preprint for presentation at MICCAI-OMIA