人工智能模型对36种视网膜病变的自动准确识别

2020-03-27 16:31:08 来源:网络

最近,医学图像处理领域著名的国际会议miccai(medicalimagecomputingandcomputer-assistedintervention),发表了一篇题为retinalabnormalitiesrecognitionusingregionalmultitasklearning,的研究论文,题为retinalabnormalitiesrecognitionusingregionalmultitasklearning,,题为retinalabnormalitiesrecognitionusingregionalmultitasklearning,由莫纳什大学高宗元教授与美国空军人工智能小组合作发表。莫纳什大学是澳大利亚最大的国立大学之一,在药学和药理学方面名列世界第二,仅次于哈佛大学。

研究小组提出了一种基于深度学习的新方法,该方法使用特定区域的多任务识别模型,通过三个子网络来了解视网膜不同区域的疾病。这三个子网络被训练来识别影响视盘、黄斑和整个视网膜的疾病。以往基于自动深入学习筛选的研究主要集中在特定类型的视网膜疾病上,但患者通常同时患有多种视网膜疾病,单一的解决方案在临床上的应用似乎有些不足,本研究的结果可以通过模型识别出36种不同的视网膜疾病,同时可以识别多种视网膜疾病。它大大提高了人工智能在视网膜疾病识别中的适用性。

他说:视网膜疾病的人数随人口老化及电子屏幕的普及而增加。许多视网膜疾病,如年龄相关性黄斑变性(Amd)和糖尿病视网膜疾病(DR),都会导致不可逆转的严重健康问题。同时,在三四线城市,能够检查和治疗视网膜疾病的医生很少,医疗资源匮乏,许多人错过了治疗视网膜疾病的最佳时机。本研究的结果可以在不依赖医生的情况下用人工智能算法来识别。在保证同一识别率的前提下,可以大大提高效率,也可以帮助医疗资源稀缺的地区提高医疗质量。

多标签分类网络

研究小组以多任务方式设计网络,该框架由两个阶段组成:

第一阶段包括一个联合检测网络,用于检测椎间盘和黄斑区域。

第二阶段由一个语义多任务网络组成,每个网络都接受训练,以标记与某一特定区域的疾病有关的数据,同时输出整个眼底、视盘和黄斑病类别,如图1所示。

为了评估该方法的效果,研究小组收集了36种常见的视网膜疾病,包括影响整个视网膜区域的疾病(如糖尿病视网膜病变等)。)、影响黄斑区的疾病(如与年龄有关的黄斑疾病等)。)及影响视盘区的疾病(例如青光眼等)。)。共收集36类200817幅图像,其中17385幅图像包含多个标记,每个标记均有3名有经验的眼科医生,并在不少于2名眼科医生的同意下才能保留相应视网膜图像的标签。

在这项工作中,数据集分为训练集(80%)、验证集(10%)和测试集(10%)。在所有这些图像中,183432张图像有一个标签,16849张图像有两个标签,536张图像有三个标签。

辅助检测盒图

小组研究的方法由两部分组成:

(1)黄斑和视盘区的联合检测;

(2)多任务学习用于视网膜疾病的语义分类。

首先,训练一个基于yolov3的联合检测模型来定位视盘和黄斑区域,将检测到的视盘和黄斑区域图像和眼底图像分别调整为300×300、600×600和800×800,然后输入到多标签疾病分类网络中。

分类网络使用语义特征融合的思想对区域疾病进行分类。为了更好地理解所提出的模型,小组还绘制了与每个流程的每个任务相关的类激活图(CAM)。

这项研究成功地证明了多任务学习方法在鉴别全视网膜、黄斑和视盘疾病方面的有效性,而不是单一的任务分类,它更适合于复杂的实际应用场景。它高效、方便、有限,可以帮助更多的患者实现早期发现、早期干预和延缓基本慢性疾病的进展。

上一篇:山东启动吉庆岩国际招商引资工业园建设万亿产业集群
下一篇:最后一页