新突破!人工智能模型实现自动精准识别36种视网膜病变

近期,世界医学图画处理范畴会议Miccai(Medical Image Computing and Computer-Assisted Intervention)上宣布了莫纳什大学戈宗元教授团队与Airdoc人工智能团队协作的题为:“Retinal Abnormalities Recognition Using Regional Multitask Learning”的研讨论文。莫纳什大学是澳大利亚规划最大的国立大学之一,其药剂与药理学专业位列全球第二位,仅次于哈佛大学。  研讨团队提出了一种根据深度学习的新办法,运用一个区域特定的多使命辨认模型,经过三个子网络学习视网膜不同区域的疾病。这三个子网络经过练习,别离辨认影响视盘、黄斑和整个视网膜的疾病。以往根据深度学习主动筛查的研讨首要会集在特定类型的视网膜疾病,但患者通常会一起患有多种视网膜病变,单一的解决方案在临床运用上就显得有些无能为力,而此次研讨成果可经过一个模型辨认出36种不同的视网膜疾病,而且能够一起辨认视网膜上的多种疾病,大大提升了人工智能辨认视网膜疾病的可运用性。  患有视网膜疾病的人数跟着人口老龄化和电子屏幕的遍及而添加,许多视网膜疾病,例如年纪相关性黄斑变性(AMD)和糖尿病性视网膜病变(DR),会形成不可逆的严峻健康问题。与此一起,在三四线城市中,能够查看和医治视网膜疾病的医生百里挑一,医疗资源严重,不少人因而失去了医治的最佳时机。本次研讨成果能够不依赖医生,直接运用人工智能算法辨认,在保证相同辨认率的前提下,极大程度的进步了功率,一起也能协助医疗资源紧缺的区域进步医疗质量。  研讨团队以多使命的办法规划网络,结构包含两个阶段:  第一阶段包含一个联合检测网络,用于检测视盘和黄斑区。  第二阶段由一个语义多使命网络组成,每个使命经过特定区域相关疾病标示数据的练习,一起输出整个眼底、视盘和黄斑的疾病类别,如图1所示。  为了评价提出办法的功能,研讨团队收集了36种在筛查过程中常见的视网膜疾病,包含影响整个视网膜的疾病(如糖尿病性视网膜病变等)、影响黄斑区域的疾病(如年纪相关性黄斑病变等)及影响视盘区域的疾病(如青光眼等)。一共收集了36个类别的200817幅图画,其间17385幅图画包含多个标签,每幅图画有三名有经历的眼科医生标示,当且仅当不少于两位眼科医生赞同的情况下,才干保存对应视网膜图画的标签。  在这项工作中,数据集被分为练习集(80%)、验证集(10%)和测验集(10%)。在所有这些图画中,183432个图画具有单个标签,16849个图画具有两个标签,536个图画具有三个标签。  团队研讨的办法包含两部分:  (1)黄斑和视盘区联合检测;  (2)用于视网膜疾病语义分类的多使命学习。  首要练习一个根据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画以及整个眼底图画别离调整为300×300、600×600、800×800,然后输入多标签疾病分类网络。  分类网络运用语义特征交融的思维对区域性疾病进行分类。为了更好地了解所提出的模型,团队还为每个流制作了与每个使命相关的类激活图(CAM)。  此次研讨成功展现了多使命学习办法辨认整个视网膜、黄斑和视盘疾病的有效性,而不是单使命分类,更适用于杂乱的实践临床运用场景,高效、快捷、运用局限性小,能够协助更多患者完成早发现,早干涉,推迟根底慢病的发展发生率。

发表评论

电子邮件地址不会被公开。 必填项已用*标注