使用自动化真值的后囊膜混浊（PCO）治疗分类
图像与视频处理
2022-11-14 v1 计算机视觉与模式识别
摘要
确定后囊膜混浊（PCO）——白内障手术最常见的并发症之一——的治疗需求是一个困难的过程，因为其在当地难以获得，并且治疗仅在 PCO 出现在中心视轴后才进行。在本文中，我们提出了一种基于深度学习（DL）的方法，首先对 PCO 图像进行分割，然后将图像分类为“需要治疗”和“暂不需要治疗”两类，以减少频繁的医院就诊。为了训练模型，我们准备了使用两种策略获取真值（GT）的训练图像集：手动和自动化。因此，我们有两个模型：模型 1（使用包含手动 GT 的图像集训练）和模型 2（使用包含自动化 GT 的图像集训练）。在我们的实验中，两个模型在验证图像集上评估时，Dice 系数均大于 0.8，交并比（IoU）得分均大于 0.67。将黄金标准 GT 与我们模型的分割结果进行比较，两个模型的 Dice 系数均大于 0.7，IoU 得分均大于 0.6，这表明自动化真值也能生成高效的模型。我们的分类结果与临床分类之间的比较显示，两个模型的输出 F2 得分均为 0.98。
引用
@article{arxiv.2211.06114,
title = {Treatment classification of posterior capsular opacification (PCO) using automated ground truths},
author = {Raisha Shrestha and Waree Kongprawechnon and Teesid Leelasawassuk and Nattapon Wongcumchang and Oliver Findl and Nino Hirnschall},
journal= {arXiv preprint arXiv:2211.06114},
year = {2022}
}