利用神经网络寻找用于青光眼检测的新诊断信息
图像与视频处理
2020-09-04 v2 计算机视觉与模式识别
机器学习
摘要
我们描述了一种在 3D 频域光学相干断层扫描（OCT）视神经扫描中自动检测青光眼的新方法。首先，我们收集了一个独特且多样的多族裔 OCT 扫描数据集，由来自四个不同国家四家三级眼科医院的青光眼和非青光眼病例组成。利用这一纵向数据，我们使用 3D 深度学习系统从单次原始 OCT 中自动检测青光眼，取得了最先进的结果。这些结果在异构数据集和扫描环境下的多种场景中接近人类医生。为验证自动分类的正确性和可解释性，我们使用显著图来寻找模型的关注区域。与人类医生行为一致，模型预测确实与 OCT 打印输出中的常规诊断参数（如视网膜神经纤维层）相关。我们进一步使用我们的模型在 3D 数据中发现目前未被人类医生作为检测青光眼的诊断参数识别的新区域。即，我们发现筛板（LC）区域可以是以前在临床常规护理中因缺乏定量打印输出而对医生不可用的有价值诊断信息来源。我们的模型提供了该区域的体积量化。我们发现即使大部分 RNFL 被移除，LC 区域也能区分青光眼。这在高度近视者中具有临床相关性，此时 RNFL 已经减少，因此 LC 区域可能有助于在这种混淆情况下鉴别青光眼。我们进一步推广此方法，创建了一种称为 DiagFind 的新算法，为在医生以前可能无法使用的医学图像中寻找新诊断信息提供了方案。
引用
@article{arxiv.1910.06302,
title = {Finding New Diagnostic Information for Detecting Glaucoma using Neural Networks},
author = {Erfan Noury and Suria S. Mannil and Robert T. Chang and An Ran Ran and Carol Y. Cheung and Suman S. Thapa and Harsha L. Rao and Srilakshmi Dasari and Mohammed Riyazuddin and Dolly Chang and Sriharsha Nagaraj and Clement C. Tham and Reza Zadeh},
journal= {arXiv preprint arXiv:1910.06302},
year = {2020}
}
备注
28 pages, 12 figures, 15 tables, title changed, new authors added