【医学+深度论文：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，视网膜边缘切口、视网膜神经纤维层(RNFL)缺损或外露的周围血管是青光眼专家和算法评估青光眼风险的主要依据。

Method

Inception V3

没详细讲

论文倒是挺长的。。后面一堆表格

Result

• 首次开发验证一种DL算法，用于预测可参考的青光眼风险和预测眼底图像的青光眼ONH特征

• 评估 不同特征的相对重要性

  CDR ≥ 0.7、视网膜神经切迹、RNFL缺损、外圈血管的存在是与可参考青光眼风险总体评估最相关的4个ONH特征

• 相对于验证数据集A，验证集B 性能的下降可能是由于两个验证数据集之间的参考标准和患者群体的差异造成的。

limitation

• 从训练集中剔除低质量图像，限制算法在实际应用中的实用性
• 排除评分者与参考标准存在潜在偏差的图像
• 眼底图像的使用放大了RNFL的视神经限制评估。