基于多尺度卷积神经网络的视网膜 OCT 图像自动 AMD 分类
图像与视频处理
2022-02-07 v2 计算机视觉与模式识别
摘要
年龄相关性黄斑变性（AMD）是发达国家最常见的致盲原因，尤其在 60 岁以上人群中。近年来，该领域的专家与医疗系统工作负担因全球人口老龄化和 AMD 的慢性特征而加重。深度学习的近期进展为开发全自动诊断框架提供了独特机遇。考虑到 OCT 图像中 AMD 相关视网膜病变尺寸不一，我们的目标是提出一种多尺度卷积神经网络（CNN），能够利用不同大小的感受野区分病变。该多尺度 CNN 基于特征金字塔网络（FPN）结构设计，用于诊断正常以及干性和湿性 AMD 的两种常见临床特征，即玻璃膜疣和脉络膜新生血管（CNV）。所提方法在 Noor 眼科医院（NEH）收集的国家数据集和 UCSD 公共数据集上进行了评估。实验结果表明，我们提出的多尺度结构优于若干知名 OCT 分类框架。该特征组合策略在所有测试的骨干模型上均有效，提升幅度为 0.4% 至 3.3%。此外，渐进式学习在两个连续阶段中被证明可提升性能。第一阶段，使用预训练的 ImageNet 权重将性能从 87.2%±2.5% 提升至 92.0%±1.6%。第二阶段，由于在 UCSD 数据集上微调先前模型，性能进一步提升从 92.0%±1.6% 至 93.4%±1.4%。最后，生成热力图为多尺度结构有效性提供了额外证明，使其能够检测不同尺寸的视网膜病变。
引用
@article{arxiv.2110.03002,
title = {Multi-Scale Convolutional Neural Network for Automated AMD Classification using Retinal OCT Images},
author = {Saman Sotoudeh-Paima and Ata Jodeiri and Fedra Hajizadeh and Hamid Soltanian-Zadeh},
journal= {arXiv preprint arXiv:2110.03002},
year = {2022}
}