Treatment classification of posterior capsular opacification (PCO) using automated ground truths

要約

白内障手術の最も一般的な合併症の 1 つである後嚢混濁 (PCO) の治療の必要性を判断することは、局所的に利用できないこと、および中心視軸で PCO が発生した後にのみ治療が提供されるという事実のために、困難なプロセスです。
この論文では、頻繁な病院訪問を減らすために、最初に PCO 画像をセグメント化し、次に画像を \textit{治療が必要な} ケースと \textit{まだ必要でない} ケースに分類する深層学習 (DL) ベースの方法を提案します。
モデルをトレーニングするために、(i) 手動および (ii) 自動化の 2 つの戦略から取得したグラウンド トゥルース (GT) を使用してトレーニング イメージ セットを準備します。
したがって、2 つのモデルがあります: (i) モデル 1 (手動 GT を含む画像セットでトレーニング) (ii) モデル 2 (自動 GT を含む画像セットでトレーニング)。
検証画像セットで評価した場合、両方のモデルは、0.8 を超えるダイス係数値と、0.67 を超える交差オーバーユニオン (IoU) スコアを示しました。
ゴールド スタンダード GT とモデルのセグメント化された結果を比較すると、両方のモデルで 0.7 を超える Dice 係数値と 0.6 を超える IoU スコアが得られ、自動化されたグラウンド トゥルースによっても効率的なモデルが生成される可能性があることが示されました。
分類結果と臨床分類を比較すると、両方のモデルからの出力で 0.98 F2 スコアが示されます。

要約(オリジナル)

Determination of treatment need of posterior capsular opacification (PCO)– one of the most common complication of cataract surgery — is a difficult process due to its local unavailability and the fact that treatment is provided only after PCO occurs in the central visual axis. In this paper we propose a deep learning (DL)-based method to first segment PCO images then classify the images into \textit{treatment required} and \textit{not yet required} cases in order to reduce frequent hospital visits. To train the model, we prepare a training image set with ground truths (GT) obtained from two strategies: (i) manual and (ii) automated. So, we have two models: (i) Model 1 (trained with image set containing manual GT) (ii) Model 2 (trained with image set containing automated GT). Both models when evaluated on validation image set gave Dice coefficient value greater than 0.8 and intersection-over-union (IoU) score greater than 0.67 in our experiments. Comparison between gold standard GT and segmented results from our models gave a Dice coefficient value greater than 0.7 and IoU score greater than 0.6 for both the models showing that automated ground truths can also result in generation of an efficient model. Comparison between our classification result and clinical classification shows 0.98 F2-score for outputs from both the models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google