【醫學+深度論文：F24】2018 CVPR Deep Learning to Assess Glaucoma Risk and Associated Features in Fundus Image

24

2018 CVPR

Deep Learning to Assess Glaucoma Risk and Associated Features in Fundus Images

Method ： ONH

Dataset ： 58033 EyePACS, Inoveon, AREDS，3 in India，UK

Architecture : Inception V3

Results ： validation A ：AUC 0.94 （95%CI, 0.922-0.955 ）；Validation B： 0.858 (95% CI, 0.836-0.878)

Google

CDR≥0.7，視網膜邊緣切口、視網膜神經纖維層(RNFL)缺損或外露的周圍血管是青光眼專家和算法評估青光眼風險的主要依據。

Method

Inception V3

沒詳細講

論文倒是挺長的。。後面一堆表格

Result

• 首次開發驗證一種DL算法，用于預測可參考的青光眼風險和預測眼底圖像的青光眼ONH特征

• 評估 不同特征的相對重要性

  CDR ≥ 0.7、視網膜神經切迹、RNFL缺損、外圈血管的存在是與可參考青光眼風險總體評估最相關的4個ONH特征

• 相對于驗證資料集A，驗證集B 性能的下降可能是由于兩個驗證資料集之間的參考标準和患者群體的差異造成的。

limitation

• 從訓練集中剔除低品質圖像，限制算法在實際應用中的實用性
• 排除評分者與參考标準存在潛在偏差的圖像
• 眼底圖像的使用放大了RNFL的視神經限制評估。