[论文理解]A Deep Learning Model for Automated Sub-Basal Corneal Nerve Segmentation and Evaluation Using In Vivo Confocal Microscopy

基于共焦显微镜的角膜基底下神经自动分割与评价的深度学习模型，2020

 

目录

• Intro
• Method
  • 实验设计
  • 指标
  • 损失函数
• Experiments

  • 数据增广

• Result
• Discussion

Intro

本研究的目的是建立一个深度学习模型，用活体共焦显微镜（IVCM）自动分割和评估基底下角膜神经纤维（CNF）。该模型旨在直接、快速地为我们提供基底下角膜神经分割和评估方面的信息，以帮助决策过程

Method

实验设计

基于深度学习算法，利用卷积神经网络建立了角膜神经分割网络（CNS-Net），用于基底下角膜神经的分割和评价。CNS-Net接受552张训练，139张测试的IVCM图像。

这些图像由三名资深眼科医生使用ImageJ软件进行标记

指标

考虑真实性。应用受试者操作特征曲线（AUC）、平均精度（mAP）、敏感性和特异性下的面积来评估角膜神经分割的效率。利用相对偏差率（RDR）评估角膜神经纤维长度（CNFL）评估任务的准确性。

mAP

 

 

损失函数

分割损失L_seg

 

评估损失L_eval

用的是均方损失

 

最后加上正则化L_reg

 

Experiments

数据

 

共收集了104名患者的5221张图像

由活体共焦显微镜（IVCM）采集，设置为484×384像素，面积为400μm×400μm，横向空间分辨率为0.5μm，深度分辨率为1～2μm。从角膜上皮到内皮，每只眼睛共采集40～50张图像

最后标注691张图像作为数据样本

数据增广

首先，红色、绿色和蓝色（RGB）通道的图像标准化、水平翻转、垂直翻转和对角翻转。训练集中的每个图像都被增加到八个不同的副本。随后，在模型列车中使用了随机数据增强方法包括图像在[-30°，30°]范围内随机移动和色调、饱和度中的颜色抖动

颜色空间和值（HSV），图像比例从1.1到1.2。然后，随机裁剪输入大小，并添加主成分分析（PCA）噪声和从参数为N（0，0.1）的正态分布中采样的系数

Result

 

 

 

该模型的AUC为0.96（95%置信区间[CI]=0.935-0.983）和94%的mAP，dice损失为0.12。CNF分割任务的敏感性为96%，特异性为75%，CNFL评估任务的RDR为16%。

此外，该模型能够每秒分割和评估多达32幅图像，比熟练的眼科医生快得多。

Discussion

在这项工作中，我们考虑了一种不同的方法，将神经图像作为一个整体进行分析，而不执行神经分割步骤。我们选择使用基于角膜神经图像纹理分析获得的特征的分类技术。尽管据我们所知，这种方法从未用于分析CCM图像，但纹理分析已广泛用于医学图像处理，主要用于放射和核医学，也用于基于光辐射的医学成像。近年来，基于纹理的分类技术得到了广泛的应用。

基于角膜神经形态计量学的DPN评估具有基于具有明确临床意义的参数的重要优势。角膜神经形态计量学参数可直接量化小纤维疾病。神经纤维长度和神经纤维密度参数与增强的神经变性有关，而神经分支密度与神经再生能力有关。基于这些参数的方法能够量化角膜神经纤维变性和再生，并可用于评估治疗的疗效。使用基于纹理的方法分析角膜神经图像很难获得如此多的信息。然而，正如我们的结果所表明的，这些方法可能适合于筛查目的。

 

不足

首先，我们研究中的数据集仅基于北京大学第三医院的一小部分患者，不能代表整个人群
因此，应该应用来自更大患者队列的数据来验证该系统。

第二，目前的CNS网络模型无法考虑IVCM图像中的所有参数，例如CNF宽度和弯曲度，这限制了其推广性。

因此，目前的模型无法完全取代手动图像注释。需要进一步的研究来评估模型在不同人群和不同类型IVCM设备中CNF分割和定量的性能。
随着未来的研究，该模型有望进一步提高诊断的准确性，并能更有效地应用于临床。