摘要
新生性地理萎缩 (nGA) 的光学相干断层扫描 (OCT) 体征与 GA 发病高度相关。自动定位 nGA 病变有助于临床试验中的患者筛查和终点评估。此任务可以使用监督对象检测模型来实现,但它们需要费力的边界框注释。因此,本研究评估了弱监督方法是否可以基于深度学习 nGA 分类模型生成的显著性图定位 nGA 病变。这种多实例深度学习模型基于具有后期融合的 2D ResNet,并经过训练以对 OCT 上的 nGA 进行分类。所提出的方法使用由来自 140 名受试者的 280 只眼睛的 1884 卷组成的数据集进行交叉验证,该数据集具有体积 nGA 标签和专家分级的逐片病变边界框注释。精确召回曲线下面积 (AUPRC) 或正确定位的病灶为 0.72(±0.08),而 YOLO V3 的全监督方法为 0.77(±0.07)。弱监督和完全监督方法之间没有观察到统计学上的显着差异(Wilcoxon 符号秩检验,p = 1.0)
本文方法
根据图像来看,本文的方法还是比较简单的