Morph-SSL：基于纵向形变的自我监督方法从 OCT 预测 AMD 进展
图像与视频处理
2024-10-01 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
缺乏可靠生物标志物使得预测从中间期到新生血管性年龄相关性黄斑变性（iAMD、nAMD）的转化成为一项艰巨任务。我们开发了一个深度学习（DL）模型，用于根据眼睛当前的 OCT 扫描预测其从 iAMD 转化为 nAMD 的未来风险。尽管眼科诊所生成大量纵向 OCT 扫描以监测 AMD 进展，但只有一小部分可被手动标注用于有监督 DL。为解决此问题，我们提出 Morph-SSL，一种面向纵向数据的新型自我监督学习（SSL）方法。它使用来自不同访视的无标注 OCT 扫描对，并将前一次访视的扫描形变为下一次访视的扫描。解码器预测形变所需的变换，并确保平滑的特征流形，可通过线性插值在访视间生成中间扫描。接下来，将 Morph-SSL 训练所得特征输入以有监督方式训练的 classifier，该分类器用 sigmoid 函数建模转化时间的累积概率分布。Morph-SSL 在 399 只眼（3570 次访视）的无标注扫描上训练。分类器通过五折交叉验证在 343 只眼、2418 张带转化日期临床标签的扫描上评估。Morph-SSL 特征在预测未来 6 个月内转化为 nAMD 上达到 0.766 的 AUC，优于从头端到端训练或采用流行 SSL 方法预训练的同类网络。对 nAMD 发病未来风险的自动预测可实现及时治疗与个体化 AMD 管理。
引用
@article{arxiv.2304.08439,
title = {Morph-SSL: Self-Supervision with Longitudinal Morphing to Predict AMD Progression from OCT},
author = {Arunava Chakravarty and Taha Emre and Oliver Leingang and Sophie Riedl and Julia Mai and Hendrik P. N. Scholl and Sobha Sivaprasad and Daniel Rueckert and Andrew Lotery and Ursula Schmidt-Erfurth and Hrvoje Bogunović},
journal= {arXiv preprint arXiv:2304.08439},
year = {2024}
}