利用解剖分割的认知不确定性进行视网膜OCT异常检测
图像与视频处理
2019-05-31 v1 计算机视觉与模式识别
机器学习
机器学习
摘要
在医学图像中检测相关生物标志物有助于诊断和治疗指导。尽管有监督深度学习能够对病理区域进行准确分割，但其受限于需要这些区域的先验定义、大规模标注以及训练集中具有代表性的患者队列。相比之下，异常检测不受病理的特定定义限制，并允许在无标注的健康样本上训练。异常区域随后可作为生物标志物发现的候选。关于正常解剖结构的知识为检测异常带来了隐式信息。我们提出利用贝叶斯深度学习来利用这一特性，其基于如下假设：认知不确定性将与偏离正常训练集的解剖结构相关。贝叶斯U-Net使用现有方法生成的弱标注健康解剖结构，在明确定义的健康环境中训练。在测试时，我们使用蒙特卡洛 dropout 捕获模型的认知不确定性估计。随后应用一种新颖的后处理技术来利用这些估计，并将其分层外观转化为异常的光滑团块状分割。我们在视网膜光学相干断层扫描（OCT）图像中使用视网膜层的弱标注对该方法进行了实验验证。我们的方法在年龄相关性黄斑变性（AMD）病例的独立异常测试集中达到了0.789的Dice指数。所得分割在以极晚期湿性AMD、干性地理萎缩（GA）、糖尿病性黄斑水肿（DME）和视网膜静脉阻塞（RVO）区分健康与疾病病例时实现了非常高的准确率。最后，我们定性观察到我们的方法还能检测正常扫描中的其他偏差，如切边伪影。
引用
@article{arxiv.1905.12806,
title = {Exploiting Epistemic Uncertainty of Anatomy Segmentation for Anomaly Detection in Retinal OCT},
author = {Philipp Seeböck and José Ignacio Orlando and Thomas Schlegl and Sebastian M. Waldstein and Hrvoje Bogunović and Sophie Klimscha and Georg Langs and Ursula Schmidt-Erfurth},
journal= {arXiv preprint arXiv:1905.12806},
year = {2019}
}
备注
Accepted for publication in IEEE Transactions on Medical Imaging, 2019