基于迁移学习的深层血管复合体微血管分割与毛细血管间面积量化
图像与视频处理
2021-01-13 v1 计算机视觉与模式识别
机器学习
定量方法
摘要
目的：光学相干断层扫描血管成像(OCT-A)可可视化由糖尿病视网膜病变(DR)——一种糖尿病的微血管并发症——引起的视网膜循环变化。我们展示了使用卷积神经网络(CNN)对浅层毛细血管丛和深层血管复合体(SCP与DVC)的血管形态进行精确分割以用于定量分析。方法：使用Zeiss PlexElite采集6x6mm视场(FOV)的视网膜OCT-A图像。多体积采集与平均增强了用于训练CNN的血管网络对比度。我们采用了从一个CNN的迁移学习，该CNN在来自不同OCT系统采集的较小FOV的SCP的76幅图像上训练。对代表性DR患者的自动血管分割进行了灌注定量分析。结果：OCT-A图像的自动分割分别保持了SCP和DVC的分层分支与小叶形态。该网络分割SCP的准确率为0.8599，Dice指数为0.8618。对于DVC，准确率为0.7986，Dice指数为0.8139。SCP的评分者间比较准确率与Dice指数分别为0.8300和0.6700，DVC为0.6874和0.7416。结论：迁移学习减少了所需的人工标注图像数量，同时生成高质量的SCP与DVC自动分割。使用高质量训练数据保留了各层毛细血管网络的特征外观。转化相关性：CNN的准确视网膜微血管分割改善了糖尿病视网膜病变中的灌注分析。
引用
@article{arxiv.2003.09033,
title = {Microvasculature Segmentation and Inter-capillary Area Quantification of the Deep Vascular Complex using Transfer Learning},
author = {Julian Lo and Morgan Heisler and Vinicius Vanzan and Sonja Karst and Ivana Zadro Matovinovic and Sven Loncaric and Eduardo V. Navajas and Mirza Faisal Beg and Marinko V. Sarunic},
journal= {arXiv preprint arXiv:2003.09033},
year = {2021}
}
备注
27 pages, 8 figures