面向无监督物理训练的领域特定损失设计：一种建模医学 ML 解决方案的新方法
机器学习
2021-12-07 v1 图像与视频处理
机器学习
摘要
如今，白内障手术是全球开展最频繁的眼科手术。白内障——人眼晶状体的渐进性混浊——是世界范围内致盲的最常见原因。手术中，晶状体被摘除并替换为人工眼内透镜（IOL）。为避免患者术后需要强力助视器具，精确预测所植入 IOL 的光学特性至关重要。近来，利用 OCT 设备获取的生物测量眼数据来预测这些特性的方法层出不穷，近期亦采用机器学习。它们或仅考虑生物测量数据，或仅考虑物理模型，却鲜有兼顾二者，且常忽略 IOL 几何结构。本工作中，我们提出 OpticNet——一种新颖的光学折射网络、损失函数与训练方案，其无监督、领域特定且受物理驱动。我们利用单射线光线追踪推导精确的眼内光传播模型，并构建可向后传播物理梯度至网络的可微损失函数。此外，我们提出一种新的迁移学习流程，可在物理模型上无监督训练，并在真实 IOL 患者队列上微调网络。我们表明，我们的网络不仅优于以标准流程训练的系统，而且在与两个生物测量数据集比较时，我们的方法在 IOL 计算上超越了当前 SOTA。
引用
@article{arxiv.2005.04454,
title = {Domain-specific loss design for unsupervised physical training: A new approach to modeling medical ML solutions},
author = {Hendrik Burwinkel and Holger Matz and Stefan Saur and Christoph Hauger and Ayse Mine Evren and Nino Hirnschall and Oliver Findl and Nassir Navab and Seyed-Ahmad Ahmadi},
journal= {arXiv preprint arXiv:2005.04454},
year = {2021}
}
备注
11 pages, 2 figures