基于眼底自发荧光图像与支持向量机的眼病高效筛查
计算机视觉与模式识别
2021-04-20 v1 机器学习
摘要
多种视力疾病与眼睛黄斑区中的地图样萎缩（GA）相关。在当前临床实践中，眼科医生基于眼底自发荧光（FAF）图像手动检测此类 GA 的潜在存在，并据此在相关时诊断疾病。然而，鉴于眼科医生相对于大量寻求眼保健者（尤其在偏远地区）普遍稀缺，亟需开发方法将专家时间与精力导向具有医学意义的病例。此外，来自弱势背景或偏远地区、在咨询受过训练的眼科医生时面临显著经济/身体障碍的受试者，往往仅在相当确信存在不良状况后才就医。为兼顾眼科医生与潜在患者利益，我们规划了一个筛查步骤，在仅由数量相对更多的验光师提供有限输入的情况下，以算法区分健康与患病眼睛。具体而言，验光师将早期治疗糖尿病视网膜病变研究（ETDRS）网格置于每张 FAF 图像上，并据此自动采集扇区统计量。使用此类统计量作为特征，拟通过利用可用医疗记录训练算法来对健康与患病眼睛分类。就此，我们展示了支持向量机（SVM）的功效。具体而言，我们考虑了带线性及径向基函数（RBF）核的 SVM，并观察到两种变体均具满意性能。其中，鉴于其在分类准确率（标准训练-测试比 80:20 下为 90.55%）上的轻微优势及实际类条件代价，我们推荐后者。
引用
@article{arxiv.2104.08519,
title = {Efficient Screening of Diseased Eyes based on Fundus Autofluorescence Images using Support Vector Machine},
author = {Shanmukh Reddy Manne and Kiran Kumar Vupparaboina and Gowtham Chowdary Gudapati and Ram Anudeep Peddoju and Chandra Prakash Konkimalla and Abhilash Goud and Sarforaz Bin Bashar and Jay Chhablani and Soumya Jana},
journal= {arXiv preprint arXiv:2104.08519},
year = {2021}
}