利用深度学习系统在多模态视网膜扫描间的可迁移性提取视网膜病变病灶
计算机视觉与模式识别
2020-08-17 v2 图像与视频处理
摘要
视网膜病灶在视网膜异常的准确分类中起着至关重要的作用。许多研究者已提出深度病灶感知筛查系统来分析和分级视网膜病变的进展。然而，据我们所知，尚无文献利用这些系统跨多种扫描仪规格与多模态影像进行泛化的倾向。为此，本文对语义分割、场景解析与混合深度学习系统进行了详细评估，用于从融合的眼底与光学相干断层扫描（OCT）影像中提取如视网膜内液、视网膜下液、硬性渗出、玻璃膜疣及其他脉络膜视网膜异常等视网膜病灶。此外，我们提出了一种利用这些模型跨多种视网膜扫描仪规格可迁移性的新颖策略。本研究使用了来自七个公开数据集的共计363张眼底扫描与173,915张OCT扫描（其中297张眼底与59,593张OCT扫描用于测试）。总体而言，以ResNet-50为骨干的混合视网膜分析与分级网络（RAGNet）在提取视网膜病灶方面表现最佳，取得了0.822的平均Dice系数得分。此外，完整源代码及其文档发布于：http://biomisa.org/index.php/downloads/。
引用
@article{arxiv.2006.02662,
title = {Exploiting the Transferability of Deep Learning Systems Across Multi-modal Retinal Scans for Extracting Retinopathy Lesions},
author = {Taimur Hassan and Muhammad Usman Akram and Naoufel Werghi},
journal= {arXiv preprint arXiv:2006.02662},
year = {2020}
}
备注
Accepted in the 20th IEEE International Conference on BioInformatics And BioEngineering (BIBE), 2020