【論文解讀】用于白內(nèi)障分級/分類的機器學(xué)習(xí)技術(shù)

Machine Intelligence Research

全球范圍內(nèi)，白內(nèi)障是造成視力受損和失明的主要原因。多年來，研究人員在開發(fā)最先進(jìn)的白內(nèi)障自動分類和分級機器學(xué)習(xí)技術(shù)方面取得了重大進(jìn)展，旨在早期預(yù)防白內(nèi)障，提高臨床醫(yī)生的診斷效率。來自南方科技大學(xué)的研究團(tuán)隊全面綜述了基于眼科圖像的白內(nèi)障分類/分級機器學(xué)習(xí)技術(shù)的最新進(jìn)展。文章從傳統(tǒng)的機器學(xué)習(xí)方法和深度學(xué)習(xí)方法兩個方向總結(jié)了現(xiàn)有文獻(xiàn)，并深入分析了現(xiàn)有研究的優(yōu)點和局限性。此外，文章還討論了基于機器學(xué)習(xí)技術(shù)的白內(nèi)障自動分類/分級技術(shù)所面臨的一些挑戰(zhàn)，并為未來的研究提出了可能的解決方案。

圖片來自Springer

全文導(dǎo)讀

根據(jù)世界衛(wèi)生組織統(tǒng)計，全球約有22億人患有視力障礙。白內(nèi)障約占視力損傷的33%，是全世界范圍內(nèi)致盲的頭號原因(超過50%)。白內(nèi)障患者可以通過早期干預(yù)和白內(nèi)障手術(shù)來提高生活質(zhì)量和視力，這是同時降低失明率、減輕社會白內(nèi)障致盲負(fù)擔(dān)的有效方法。

臨床上，當(dāng)晶狀體內(nèi)的蛋白質(zhì)聚集在一起時，晶狀體區(qū)域的透明度降低，進(jìn)而引發(fā)白內(nèi)障。這和許多因素有關(guān)，例如發(fā)育異常、創(chuàng)傷、代謝紊亂、遺傳因素、藥物引起的變化、年齡等。遺傳和年齡是引發(fā)白內(nèi)障最重要的兩個因素。

在過去的幾年中，眼科醫(yī)生基于他們的經(jīng)驗和臨床培訓(xùn)，使用幾種眼科圖像來診斷白內(nèi)障。這種人工診斷的模式容易出錯、耗時、較為主觀且成本高昂，而經(jīng)驗豐富的臨床醫(yī)生匱乏，這給發(fā)展中國家、農(nóng)村、社區(qū)的白內(nèi)障篩查與診療帶來巨大挑戰(zhàn)。為了早期預(yù)防白內(nèi)障，提高白內(nèi)障診斷的準(zhǔn)確性和效率，研究人員致力于開發(fā)計算機輔助診斷(CAD)技術(shù)，包括傳統(tǒng)的機器學(xué)習(xí)方法和深度學(xué)習(xí)方法，可針對不同的眼科圖像，實現(xiàn)白內(nèi)障的自動分類/分級。

在過去的十年中，深度學(xué)習(xí)在各個領(lǐng)域都取得了巨大的成功，包括醫(yī)學(xué)影像分析。它可以以端到端的方式從原始數(shù)據(jù)中學(xué)習(xí)低級、中級和高級特征表示(例如，眼科圖像)。各種深度神經(jīng)網(wǎng)絡(luò)模型已被用于處理白內(nèi)障分類/分級任務(wù)，如卷積神經(jīng)網(wǎng)絡(luò)(CNN)、基于注意力的網(wǎng)絡(luò)、快速RCNN和多層感知器(MLP)神經(jīng)網(wǎng)絡(luò)。

現(xiàn)有的綜述文章分別總結(jié)了白內(nèi)障類型、白內(nèi)障分類/分級系統(tǒng)和眼科成像模式；然而，至今尚沒有文章系統(tǒng)地總結(jié)基于眼科成像模式的白內(nèi)障自動分類/分級ML技術(shù)。本文首次系統(tǒng)總結(jié)了ML技術(shù)用于白內(nèi)障自動分類/分級的最新進(jìn)展，主要關(guān)注白內(nèi)障分類/分級中的ML技術(shù)，包括傳統(tǒng)ML方法和深度學(xué)習(xí)方法。

本文綜述了Web of Science、Scopus和Google Scholar數(shù)據(jù)庫中的相關(guān)論文。基于所收集的論文、研究團(tuán)隊的總結(jié)以及與經(jīng)驗豐富的眼科醫(yī)生的交流，形成了本文總體的組織框架(如圖一)。研究團(tuán)隊還簡要回顧了眼科成像模式、白內(nèi)障分級系統(tǒng)和常用的評估方法，并逐步介紹了ML技術(shù)，以期為當(dāng)前的研究提供有價值的總結(jié)，并為基于ML的白內(nèi)障分類/分級指出未來潛在的研究方向。

全文下載

Machine Learning for Cataract Classification/Grading on Ophthalmic Imaging Modalities: A Survey

Xiao-Qing Zhang, Yan Hu, Zun-Jie Xiao, Jian-Sheng Fang, Risa Higashita, Jiang Liu

https://link.springer.com/article/10.1007/s11633-022-1329-0

https://www.mi-research.net/en/article/doi/10.1007/s11633-022-1329-0

【本文作者】

章曉慶

胡衍

肖尊杰

方建生

Higashita Risa

劉江

往期精彩回顧




適合初學(xué)者入門人工智能的路線及資料下載
(圖文+視頻)機器學(xué)習(xí)入門系列下載
中國大學(xué)慕課《機器學(xué)習(xí)》（黃海廣主講）
機器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印
《統(tǒng)計學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯
機器學(xué)習(xí)交流qq群955171419，加入微信群請掃碼