Deep learning für Glaukom-Erkennung

Das Glaukom ist die zweithäufigste Ursache für Erblindung in der Welt Auswirkungen auf rund 2,7 Millionen Menschen in den USA allein. Es ist eine komplexe Reihe von Krankheiten und unbehandelt zur Erblindung führen kann. Es ist ein besonders großes Problem in Australien, wo nur 50 Prozent aller Menschen, die es tatsächlich diagnostiziert und behandelt, die sie benötigen.

Als Teil eines Teams von Wissenschaftlern aus IBM und der New York University meine Kollegen und ich sind auf der Suche nach neuen Wegen, die AI verwendet werden könnte, um Augenärzte helfen und Optometristen augenbilder weiter nutzen und dazu beitragen, um den Prozess zur Erkennung von Glaukom in Bildern beschleunigen . In einem jüngst veröffentlichten Papier wir ausführlich eine neue Tiefe lernen Framework, das Glaukom direkt aus rohen optische Kohärenz computertomographischen (OCT) Bildgebung, erkennt eine Methode, die Lichtwellen nutzt Querschnitt der Netzhaut fotografieren. Diese Methode erreicht eine Trefferquote von 94 Prozent, ohne jede zusätzliche Segmentierung oder Scheuern der Daten, die in der Regel sehr zeitaufwendig ist.

Derzeit ist Glaukom diagnostiziert mit einer Vielzahl von Tests, z. B. Augendruck Messungen und Gesichtsfeld Tests sowie Fundus und OCT-Bildgebung. OCT bietet eine effiziente Möglichkeit zu visualisieren und zu quantifizieren, Strukturen im Auge, nämlich die Netzhaut Nerven Faser-Schicht (RNFL), die mit Fortschreiten der Krankheit verändert.

Obwohl dieser Ansatz gut funktioniert, bedarf es einen zusätzlichen Prozess, der RNFL in OCT-Bildern zu quantifizieren. Diese Techniken in der Regel auch Bereinigen der input-Daten in einer Vielzahl von Weisen, wie spiegeln alle Augen in der gleichen Richtung (nach links oder rechts) um die Variabilität in den Daten zur Verbesserung der Leistung von den Klassifikatoren zu reduzieren. Unser Ansatz entfernt diese zusätzlichen Schritte, die darauf hinweist, dass diese möglicherweise zeitaufwendig Stadien nicht für die Erkennung des Glaukoms erforderlich sind.

Schließlich erkennt, wenn durch eine falsch-positive-Rate in einer Kohorte von 624 Themen (217 gesund und 432 Glaukom-Patienten), normalisiert unser neue Ansatz, gegründet in Tiefe lernen richtig glaukomatösen Augen in 94 Prozent der Fälle, während zuvor erwähnten Techniken nur gefunden Sie dies in 86 Prozent der Fälle. Wir glauben, diese verbesserte Genauigkeit ist ein Ergebnis der Beseitigung von Fehlern in der automatisierten Segmentierung der Strukturen in Bildern sowie die Einbeziehung der Regionen des Bildes, die klinisch derzeit nicht für diesen Zweck genutzt werden.

Darüber hinaus war entgegen dem aktuellen Trend in Ki-Forschung, die größeren und tieferen Netzwerke verwendet, das Netzwerk verwendeten wir ein kleines 5-Schicht-Netzwerk weil medizinische Daten nicht so leicht zugänglich durch seine vertraulichen Charakter. Diese Daten-Knappheit macht den Einsatz von großen Netzwerken in vielen medizinischen Anwendungen nicht praktikabel. Auch in der Forschung sehen wir manchmal, dass „weniger ist mehr“, und die Ausbildung dieser Algorithmen in kleineren Netzwerken ermöglicht es ihnen, mit größerer Effizienz führen.

Dies ist nur eine Facette unserer Forschung bei der Anwendung von AI für das Auge. In einer kürzlich angekündigten neuen Zusammenarbeit, IBM Research und George & Matilda (G & M) wird eine Hebelwirkung auf G & M robuste Datensatz von anonymen klinische Daten und bildgebenden Verfahren zur Erkundung von Methoden, um Tiefe Lernmodelle verwenden und imaging-Analysen zur Unterstützung der Ärzte bei der Identifizierung und Erkennung von Augenerkrankungen – einschließlich Glaukom – in Bildern. Forscher werden auch schauen, um die potenzielle Biomarker des Glaukoms, zu untersuchen, die in besseren Verständnis Krankheitsprogression helfen könnte.

Weitere Informationen:
Stefan Maetschke Et Al. Ein Feature agnostischen Ansatz für Glaukom-Erkennung in OCT Bänden. ArXiv:1807.04855 [Cs. CV]. arxiv.org/abs/1807.04855v1

Teilen Ist Liebe! ❤

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

shares