(译)眼底病变文献综述

深度学习在眼底图像的应用综述

• 本文总结了深度学习在眼底图像分析中的最新进展，涵盖病变分割、生物标记物分割、疾病诊断和图像合成等任务，并分析了现有方法的局限性，提出了可能的解决方案。
• 你能获得：快速了解深度学习在眼底图像领域的研究现状和未来方向，为相关研究人员提供灵感和指导。

核心内容：

1. 病变检测/分割：

• 针对出血、微动脉瘤、渗出物等病变的检测和分割，可用于糖尿病视网膜病变（DR）的诊断。
  • 出血：利用选择性采样和边界框细化网络（BBR-Net）进行检测。
  • 微动脉瘤：采用两阶段多尺度网络进行分割。
  • 渗出物：结合CNN与圆形霍夫转换，并修改损失函数提高分割性能。
  • 黄斑变性：玻璃膜疣分割可辅助诊断AMD。
• 详细解释：由于病变通常较小，像素占比较低，导致数据不平衡问题。
• 行动建议：继续研究不平衡问题，探索像素级别的分割和检测。

2. 生物标记物分割：

• 包括血管、视杯/视盘和黄斑区的分割，有助于诊断青光眼等眼科疾病。
  • 血管：从CNN到FCN再到U-Net，网络结构不断发展，提高血管分割性能。
  • 视杯/视盘：全卷积神经网络、U-Net和RPN方法被广泛应用。
  • 黄斑区：两阶段框架可用于黄斑区分割。
• 详细解释：血管分割面临不同数据集之间对比度和强度的差异、粗细血管之间的差异、视神经盘和病变的存在、有限的注释数据等挑战。
• 行动建议：继续探索如何提高细薄和边缘血管分割的性能，并关注不平衡问题。

3. 疾病诊断/分级：

• 利用深度学习对糖尿病视网膜病变、青光眼、年龄相关性黄斑变性和早产儿视网膜病变等疾病进行诊断和分级。
  • 糖尿病视网膜病变：结合病变检测方法，并利用注意力机制。
  • 青光眼：考虑OD/OC区域，采用多分支方法。
  • 年龄相关性黄斑变性：基于混合架构和CNN的方法，并结合病变检测的指导。
  • 早产儿视网膜病变：采用三阶段架构。
• 详细解释：
  • 临床风格论文注重实际临床意义，而非网络架构改进。
  • 检测相关病变有助于糖尿病视网膜病变的诊断/分级。
• 行动建议：
  • 关注多任务学习，在DR诊断/分级和病变分割之间达到平衡。
  • 更准确的OD定量任务可能是有前景的

4. 图像合成：

• 利用生成对抗网络（GAN）合成眼底图像，增加训练数据集的数量，提高模型性能。
• 详细解释：图像合成可以增加眼底图像的数量，帮助我们更好地理解图像并提高模型性能。
• 行动建议：很难想象使用 GAN 可以进行哪些类型的探索。

5. 其他应用：

• 包括眼科疾病诊断（如病理性近视和屈光不正）、系统性疾病诊断（如心血管疾病风险因素和缺血性中风）和图像处理（如图像配准和图像质量评估）。

问答

Q: 深度学习在眼底图像分析中面临哪些普遍存在的局限性？

A: 缺乏高质量的标注数据、数据不平衡、泛化性能较差、高计算消耗和缺乏可解释性。

Q: 如何解决深度学习在眼底图像分析中面临的缺乏高质量标注数据的问题？

A: 可以采用弱监督学习、图像合成和增强以及联邦学习等方法。

Q: 如何解决深度学习在眼底图像分析中面临的数据不平衡问题？

A: 可以采用选择性采样方法，使用类别平衡损失函数。