基于 OCTA 的糖尿病视网膜病变深度学习迁移检测
定量方法
2021-12-16 v1 图像与视频处理
摘要
目的：测试使用深度学习进行光学相干断层扫描血管成像（OCTA）检测糖尿病视网膜病变（DR）的可行性。方法：本研究采用深度学习卷积神经网络（CNN）架构 VGG16。实施迁移学习过程以重新训练 CNN 从而实现鲁棒的 OCTA 分类。为证明该方法在临床环境中用于 DR 人工智能（AI）筛查的可行性，将重新训练的 CNN 集成至定制开发的 GUI 平台中，该平台可由眼科人员轻松操作。结果：重新训练最后九层后，CNN 架构在自动化 OCTA 分类中取得最佳性能。重新训练的分类器区分健康、NoDR 与 NPDR 的总体准确率为 87.27%，灵敏度为 83.76%，特异度为 90.82%。健康、NoDR 与 DR 的二分类 AUC 指标分别为 0.97、0.98 与 0.97。该 GUI 平台使得在临床环境中对 DR 的 AI 筛查方法易于验证。结论：通过迁移学习过程采用浅层进行简单特征分析并重新训练上层进行精细特征分析，CNN 架构 VGG16 可用于健康、NoDR 与 NPDR 眼的鲁棒 OCTA 分类。转化相关性：OCTA 可捕获早期 DR 的微血管变化。迁移学习过程使得卷积神经网络（CNN）能够鲁棒地实现 DR 的自动化 OCTA 分类。
引用
@article{arxiv.1910.01796,
title = {Transfer Learning for Automated OCTA Detection of Diabetic Retinopathy},
author = {David Le and Minhaj Alam and Cham Yao and Jennifer I. Lim and R. V. P. Chan and Devrim Toslak and Xincheng Yao},
journal= {arXiv preprint arXiv:1910.01796},
year = {2021}
}
备注
20 pages, 4 figures, 6 tables