几何深度学习在青光眼诊断中的医学应用
图像与视频处理
2022-04-15 v1 计算机视觉与模式识别
机器学习
摘要
目的：（1）评估几何深度学习（PointNet）从视盘（ONH）单次光学相干断层扫描（OCT）3D 扫描诊断青光眼的性能；（2）将其性能与标准 3D 卷积神经网络（CNN）以及金标准青光眼参数即视网膜神经纤维层（RNFL）厚度所得性能进行比较。方法：使用 Spectralis OCT 在新加坡国家眼科中心采集 477 名青光眼受试者和 2,296 名非青光眼受试者的 ONH 3D 栅格扫描。所有体数据均使用深度学习自动分割以识别 7 种主要神经与结缔组织，包括 RNFL、筛板前区和筛板（LC）。随后，每个 ONH 表示为一个 3D 点云，从所有组织边界随机选取 1,000 个点。为简化问题，所有 ONH 点云均相对于 Bruch 膜开口的平面与中心对齐。然后使用几何深度学习（PointNet）从单次 OCT 点云提供青光眼诊断。将我们方法的性能与 3D CNN 以及 RNFL 厚度所得性能进行比较。结果：PointNet 能够仅以表示为 3D 点云的 ONH 提供稳健的青光眼诊断（AUC=95%）。PointNet 的性能优于标准 3D CNN（AUC=87%）以及单独 RNFL 厚度所得性能（AUC=80%）。讨论：我们提供了几何深度学习在青光眼领域应用的原理验证。我们的技术所需输入信息显著更少，却比 3D CNN 表现更好，且 AUC 优于单独 RNFL 厚度所得。几何深度学习可能在眼科领域具有广泛适用性。
引用
@article{arxiv.2204.07004,
title = {Medical Application of Geometric Deep Learning for the Diagnosis of Glaucoma},
author = {Alexandre H. Thiery and Fabian Braeu and Tin A. Tun and Tin Aung and Michael J. A. Girard},
journal= {arXiv preprint arXiv:2204.07004},
year = {2022}
}