用于视网膜 OCT 高效预测建模的预训练深度 2.5D 模型
计算机视觉与模式识别
2023-09-20 v1 机器学习
摘要
在医学影像领域，3D 深度学习模型在构建疾病进展的强大预测模型中起着关键作用。然而，这些模型的规模在計算资源与数据需求两方面都带来了显著挑战。此外，实现 3D 模型的高质量预训练更为困难。为解决这些问题，混合 2.5D 方法提供了一种利用 2D 模型高效使用 3D 体数据的有效方案。结合 2D 与 3D 技术为在最小化内存需求的同时优化性能提供了一条有前景的途径。在本文中，我们探索基于卷积神经网络（CNN）、长短期记忆（LSTM）与 Transformer 组合的 2.5D 架构。此外，借助近期 2D 中非对比预训练方法的优势，我们进一步提升了 2.5D 技术的性能与数据效率。我们在两个大型纵向 OCT 数据集上，以六个月内进展为湿性年龄相关性黄斑变性（AMD）的预测任务展示了架构及相关预训练的有效性。
引用
@article{arxiv.2307.13865,
title = {Pretrained Deep 2.5D Models for Efficient Predictive Modeling from Retinal OCT},
author = {Taha Emre and Marzieh Oghbaie and Arunava Chakravarty and Antoine Rivail 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:2307.13865},
year = {2023}
}
备注
Accepted at OMIA-X MICCAI'23 Workshop