使用深度学习从 OCT 体数据推断视野测试结果
计算机视觉与模式识别
2019-10-11 v3
摘要
视野测试（VFT）对青光眼诊断至关重要，并定期施行以监测疾病进展。此处我们探讨从视盘（ONH）或黄斑的 Optical Coherence Tomography（OCT）扫描在多大程度上可以推断诸如视野指数（VFI）和平均偏差（MD）这样的聚合 VFT 测量值。从 OCT 准确推断 VFT 测量值可减少检查时间与成本。我们为此任务提出了一种新颖的 3D 卷积神经网络（CNN），并将其准确度与训练于常用于青光眼诊断的、基于分割的 OCT 特征的经典机器学习（ML）算法进行比较。在 ONH 扫描上推断 VFI 时达到峰值准确度：CNN 的皮尔逊相关（PC）为 0.880.035，而性能最佳的经典 ML 算法——一个随机森林回归器——的 PC 为 0.740.090，显著更低（p 0.01）。对 MD 的估计同样准确，CNN 在 ONH 扫描上的 PC 为 0.880.023。
引用
@article{arxiv.1908.01428,
title = {Inference of visual field test performance from OCT volumes using deep learning},
author = {Stefan Maetschke and Bhavna Antony and Hiroshi Ishikawa and Gadi Wollstein and Joel Schuman and Rahil Garnavi},
journal= {arXiv preprint arXiv:1908.01428},
year = {2019}
}
备注
12 pages, 3 figures