视网膜OCT影像数据中疾病标志物候选的无监督识别
计算机视觉与模式识别
2018-11-01 v1 机器学习
摘要
医学图像中标志物的识别与量化对于诊断、预后和疾病管理至关重要。有监督机器学习能够在专家标注训练样本后，检测并利用先验已知的发现。然而，由于所需训练样本数量庞大，且标志物词汇受限于已知实体，有监督方法难以扩展。在本概念验证研究中，我们提出在无先验定义约束下，对视网膜光学相干断层扫描（OCT）影像数据中的异常进行无监督识别，将其作为标志物候选。我们识别并分类数据中频繁出现的标志物候选，并证明这些标志物在检测疾病的任务中具有预测价值。对已识别的数据驱动标志物进行的仔细定性分析揭示了其可量化的出现如何与我们对早期和晚期年龄相关性黄斑变性（AMD）患者疾病进程的当前理解相一致。在多尺度深度去噪自编码器于健康图像上训练后，一类支持向量机识别新数据中的异常。异常中的聚类识别出稳定类别。使用这些标志物对健康、早期AMD和晚期AMD病例进行分类，准确率达81.40%。在第二个公开数据集（健康 vs. 中期AMD）上的二分类实验中，模型在ROC曲线下的面积为0.944。
引用
@article{arxiv.1810.13404,
title = {Unsupervised Identification of Disease Marker Candidates in Retinal OCT Imaging Data},
author = {Philipp Seeböck and Sebastian M. Waldstein and Sophie Klimscha and Hrvoje Bogunovic and Thomas Schlegl and Bianca S. Gerendas and René Donner and Ursula Schmidt-Erfurth and Georg Langs},
journal= {arXiv preprint arXiv:1810.13404},
year = {2018}
}
备注
Accepted for publication in IEEE Transactions on Medical Imaging, 2018