RetiNerveNet：基于视网膜结构利用递归深度学习估计逐点 24-2 视野数据
机器学习
2021-06-22 v2 计算机视觉与模式识别
图像与视频处理
摘要
青光眼是全球不可逆盲的首要原因，影响超过 7000 万人。繁琐的标准自动视野（SAP）检查最常用于检测青光眼所致的视觉丧失。由于 SAP 检查固有的困难及其高重复测试变异性，我们提出 RetiNerveNet，一种用于获取 SAP 视野估计的深度卷积递归神经网络。RetiNerveNet 利用更客观的频域光学相干断层扫描（SDOCT）的信息。RetiNerveNet 试图从视盘周围的视网膜神经纤维层（RNFL）厚度出发回溯视网膜神经纤维的弓状汇聚，以估计个体年龄校正后的 24-2 SAP 值。通过所提网络的递归传递依次产生距视盘渐远视觉位置的估计。尽管用于实验的所有方法在晚期疾病组均表现出较低性能，但所提网络在估计个体视野值上比所有基线更准确。我们进一步扩展 RetiNerveNet 以额外预测 SAP 平均偏差值，并创建 RetiNerveNet 集成，通过逐步加大对训练数据中代表性不足部分的权重来进一步提升性能。
引用
@article{arxiv.2010.07488,
title = {RetiNerveNet: Using Recursive Deep Learning to Estimate Pointwise 24-2 Visual Field Data based on Retinal Structure},
author = {Shounak Datta and Eduardo B. Mariottoni and David Dov and Alessandro A. Jammal and Lawrence Carin and Felipe A. Medeiros},
journal= {arXiv preprint arXiv:2010.07488},
year = {2021}
}