基于可解释深度学习的彩色眼底图像中 AMD 相关病灶弱监督检测

年龄相关性黄斑变性（AMD）是一种影响黄斑的退行性疾患，黄斑是视网膜中对视觉敏锐度至关重要的区域。如今，它是发达国家致盲的最常见原因。尽管已开发出一些有前景的疗法，其在晚期阶段效果有限。这凸显了大规模筛查项目的重要性。然而，针对 AMD 实施此类项目通常不可行，因为风险人群庞大且诊断困难。这一切推动了自动方法的发展。就此而言，若干工作利用卷积神经网络（CNNs）在 AMD 诊断上取得了积极结果。然而，无一引入可解释性机制，限制了其在临床中的使用。在这方面，我们提出一种可解释的深度学习方法，通过联合识别 AMD 相关的视网膜病灶来实现 AMD 诊断。在我们的方案中，一个 CNN 使用图像级标签端到端训练以完成该联合任务。所提供的病灶信息具有临床意义，因其可评估 AMD 的发展阶段。此外，该方法可从识别出的病灶解释诊断。这得益于使用一个具有联结病灶与诊断的自定义设置的 CNN。而且，所提设置还允许以弱监督方式获得粗粒度病灶分割图，进一步提升可解释性。该方法的训练数据可由临床医生以不多余力获取。所进行的实验表明，我们的方法能满意地识别 AMD 及其相关病灶，同时为最常见病灶提供恰当的粗分割图。