使用目标分割与卷积神经网络进行早产儿视网膜病变分期诊断
图像与视频处理
2020-04-06 v1 计算机视觉与模式识别
机器学习
摘要
早产儿视网膜病变（ROP）是一种主要影响低体重早产儿的眼部疾病。它会导致视网膜血管增生，并可能导致视力丧失，最终导致视网膜脱落并引发失明。尽管人类专家能够轻易识别严重的 ROP 阶段，但对于决定治疗方案最为关键的早期阶段诊断，却极易受人类专家主观解释差异的影响。近年来，人们在利用深度学习自动化诊断方面做出了重大努力。本文基于先前模型的成功，开发了一种新颖的架构，该架构结合了目标分割与卷积神经网络（CNN），以基于新生儿视网膜图像构建针对 ROP 1-3 期的有效分类器。受视网膜中分界线的形成与形状是区分早期 ROP 阶段的关键特征这一事实启发，我们提出的系统首先训练一个目标分割模型以在像素级识别分界线，并将所得掩膜作为附加“颜色”通道加入原始图像中。随后，系统基于处理后的图像训练 CNN 分类器，以利用来自原始图像和掩膜的信息，这有助于将模型的注意力引导至分界线上。在多项将本文系统性能与先前的目标分割系统及基于本文数据集训练的纯 CNN 系统进行对比的严谨实验中，本文的新架构在准确率上显著优于先前的系统，证明了本文所提流程的有效性。
引用
@article{arxiv.2004.01582,
title = {Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks},
author = {Alexander Ding and Qilei Chen and Yu Cao and Benyuan Liu},
journal= {arXiv preprint arXiv:2004.01582},
year = {2020}
}