LMT：纵向混合训练，一种从单张图像预测疾病进展的框架
图像与视频处理
2023-10-17 v1 计算机视觉与模式识别
机器学习
摘要
纵向影像能够捕捉静态解剖结构与疾病进展中的动态变化，以实现更早且更优的个体化病理管理。然而，传统方法很少利用纵向信息进行检测与预测，尤其对于糖尿病视网膜病变（DR）。过去几年中，混合训练（Mix-up training）与具纵向上下文的预文本任务有效提升了 DR 分类结果并捕捉了疾病进展。同时，一种名为神经常微分方程（NODE）的新型神经网络被提出用于求解常微分方程，其中神经网络被视为黑箱。依定义，NODE 非常适于求解时间相关问题。本文中，我们提出结合这三方面来检测并预测 DR 进展。我们的框架——纵向混合训练（LMT）——既可视为正则化器，也可视为在潜空间中对疾病进展进行编码的预文本任务。此外，我们使用标准与纵向预文本任务在具纵向上下文的下游任务上评估训练所得模型权重。我们引入一种利用 （两次连续检查间的加权平均时间）训练时间感知模型的新方法。我们在纵向视网膜彩色眼底照相（CFP）数据集 OPHDIAT 上，将我们的方法与标准混合训练在 DR 分类上进行比较。我们仅用单张图像便能预测某眼在下次访视时是否会发展为重度 DR，AUC 达 0.798，而基线结果为 0.641。我们的结果表明，纵向预文本任务可学习 DR 疾病进展，且引入 增强对时间感知模型有益。
引用
@article{arxiv.2310.10420,
title = {LMT: Longitudinal Mixing Training, a Framework to Predict Disease Progression from a Single Image},
author = {Rachid Zeghlache and Pierre-Henri Conze and Mostafa El Habib Daho and Yihao Li and Hugo Le boite and Ramin Tadayoni and Pascal Massin and Béatrice Cochener and Ikram Brahim and Gwenolé Quellec and Mathieu Lamard},
journal= {arXiv preprint arXiv:2310.10420},
year = {2023}
}