基于深度学习的病理性近视分类与同步病灶分割
图像与视频处理
2020-06-05 v1 计算机视觉与模式识别
摘要
本研究报告了针对最近推出的病理性近视（PALM）数据集开发的卷积神经网络的结果，该数据集包含 1200 张眼底图像。我们提出了一种基于视盘（ONH）的预测增强方法，用于萎缩和中央凹的分割。使用 400 张可用训练图像训练的模型在 400 张图像的测试集上取得了病理性近视分类 AUC 为 0.9867，以及中央凹定位任务上 58.27 像素的欧氏距离。病灶语义分割的 Dice 和 F1 指标在视盘上分别为 0.9303 和 0.9869，在视网膜萎缩上分别为 0.8001 和 0.9135，在视网膜脱离上分别为 0.8073 和 0.7059。我们的工作在 IEEE 国际生物医学成像研讨会（2019 年 4 月）期间举办的“从视网膜图像中检测病理性近视”挑战赛中获得奖项认可。考虑到（病理性）近视病例在青光眼分类系统中常被误判为假阳性和假阴性，我们设想当前工作可辅助未来研究以区分青光眼性与高度近视性眼睛，并辅以中央凹、视盘和萎缩等地标点的定位与分割。
引用
@article{arxiv.2006.02813,
title = {Pathological myopia classification with simultaneous lesion segmentation using deep learning},
author = {Ruben Hemelings and Bart Elen and Matthew B. Blaschko and Julie Jacob and Ingeborg Stalmans and Patrick De Boever},
journal= {arXiv preprint arXiv:2006.02813},
year = {2020}
}
备注
18 pages, 2 figures, preprint to journal