用纵向自监督学习建模视网膜 OCT 的疾病进展
图像与视频处理
2019-10-25 v3 计算机视觉与模式识别
摘要
纵向成像能够捕捉静态解剖结构以及由衰老或疾病进展引起的形态动态变化。自监督学习可从现有大型无标注数据中学习新表示，无需任何专家知识。我们提出一种深度学习自监督方法，以从纵向视网膜光学相干断层扫描（OCT）建模疾病进展。我们的自监督模型受益于一个通用的时间相关任务，通过学习估计同一患者采集的扫描对之间的时间间隔。该任务（i）易于实现，（ii）允许使用非规则采样数据，（iii）对配准不良具有容忍度，且（iv）不依赖额外标注。这一新方法学习到的表示仅关注进展特异性信息，可迁移至其他类型的纵向问题。我们将所学表示迁移至一个临床高度相关的任务：基于单次 OCT 扫描预测在给定的时间间隔内年龄相关性黄斑变性晚期阶段的发病。相较于从头学习的网络或从传统任务迁移的网络，预测准确率的提升表明我们的预训练自监督表示学到了具有临床意义的信息。
引用
@article{arxiv.1910.09420,
title = {Modeling Disease Progression In Retinal OCTs With Longitudinal Self-Supervised Learning},
author = {Antoine Rivail and Ursula Schmidt-Erfurth and Wolf-Dieter Vogl and Sebastian M. Waldstein and Sophie Riedl and Christoph Grechenig and Zhichao Wu and Hrvoje Bogunović},
journal= {arXiv preprint arXiv:1910.09420},
year = {2019}
}
备注
Accepted for publication in the MICCAI 2019 PRIME workshop