使用深度学习在超广角眼底图像中检测多种视网膜疾病：相关数据驱动的区域识别
图像与视频处理
2022-03-14 v1 人工智能
计算机视觉与模式识别
机器学习
定量方法
摘要
超广角（UWF）成像是一种有前景的模态，相比传统眼底照相可捕获更大的视网膜视野。既往研究表明深度学习（DL）模型可有效检测 UWF 图像中的视网膜疾病，但主要在欠真实条件下考虑单一疾病（排除带有其他疾病、伪影、共病或临界情况的图像；并平衡健康与患病图像），且未系统研究 UWF 图像的哪些区域与疾病检测相关。我们首先通过提出一个可在更真实条件下识别多种视网膜疾病的 DL 模型来推进该领域。随后我们使用全局可解释性方法识别模型通常关注的 UWF 图像区域。我们的模型表现极佳，在内部测试集上以曲线下面积（AUC）0.9206、在具挑战性的外部测试集上以 AUC 0.9841 区分健康与患病视网膜。在诊断特定疾病时，模型关注于我们预期这些疾病发生的区域。我们进一步以纯数据驱动方式确定后极为最重要区域。令人惊讶的是，后极周围 10% 的图像足以达到与拥有完整图像相当的性能。
引用
@article{arxiv.2203.06113,
title = {Detection of multiple retinal diseases in ultra-widefield fundus images using deep learning: data-driven identification of relevant regions},
author = {Justin Engelmann and Alice D. McTrusty and Ian J. C. MacCormick and Emma Pead and Amos Storkey and Miguel O. Bernabeu},
journal= {arXiv preprint arXiv:2203.06113},
year = {2022}
}