Weakly Supervised Lesion Localization of Nascent Geographic Atrophy in Age-Related Macular Degenerat

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

实验结果