面向高屈曲性的基于眼底摄影的通用鲁棒视力损失估计
计算机视觉与模式识别
2024-07-18 v2
摘要
高屈曲性显著增加不可逆视力损失的风险。传统的 perimetry 式视野（VF）评估提供了系统的视力损失量化，但其主观且耗时。因此，利用眼底照片来估计 VF 的机器学习模型日益成为有前景的替代方案。然而，由于高变异性和 VF 数据的有限性，现有 VF 估计模型在面对来自不同中心和人群的分布外数据时难以很好地泛化。为解决此挑战，我们提出了一种新型、参数高效的框架，以增强 VF 估计在内部和外部分布数据上的通用鲁棒性。具体而言，我们设计了一种细化-去噪（Refinement-by-Denoising, RED）模块，用于从预训练视觉模型中进行特征细化和适应，旨在学习高熵特征表示并有效且高效地缓解领域差距。通过在两个来自不同中心的独立真实数据集上进行独立验证，我们的方法在 RMSE、MAE 和相关系数方面均显著优于现有方法，适用于内部和外部验证。我们的 proposed 框架既惠及内部分布，也惠及外部分布的 VF 估计，具有重要的临床意义，并在现实的眼科实践中具有潜在实用价值。
引用
@article{arxiv.2407.03699,
title = {Generalized Robust Fundus Photography-based Vision Loss Estimation for High Myopia},
author = {Zipei Yan and Zhile Liang and Zhengji Liu and Shuai Wang and Rachel Ka-Man Chun and Jizhou Li and Chea-su Kee and Dong Liang},
journal= {arXiv preprint arXiv:2407.03699},
year = {2024}
}
备注
Accepted by MICCAI 2024, code: https://github.com/yanzipei/VF_RED