Generalist Segmentation Algorithm for Photoreceptors Analysis in Adaptive Optics Imaging

要約

定量的手法を使用して、生きた人間の網膜から得られた画像の錐体光受容体パターンを分析することは、さまざまな目の状態の早期検出と管理にとって非常に重要です。
共焦点補償光学走査型光検眼鏡 (AOSLO) イメージングにより、導波錐体光受容器の反射から錐体を視覚化できます。
共焦点 AOSLO 画像の錐体をセグメント化するための自動アルゴリズムは大幅に改善されましたが、データのラベル付けプロセスは依然として労働集約的で手作業です。
この論文では、AOSLO 画像内の錐体を検出およびセグメント化するための深層学習 (DL) に基づく方法を紹介します。
モデルは、18 人の参加者の 0$^{\circ}$、1$^{\circ}$、および 2$^{\circ}$ の画像の 20 AOSLO バッチの半自動的にラベル付けされたデータセットでトレーニングされました。
中心窩中心。
F1 スコアは、0$^{\circ}$、1$^{\circ}$、2$^{\circ}$ でそれぞれ 0.968、0.958、0.954 であり、以前に報告された DL アプローチよりも良好でした。
私たちの方法では、ラベル付き錐体の一部のみを必要とするため、ラベル付きデータの必要性が最小限に抑えられます。これは、ラベル付きデータが制限されることが多い眼科分野では特に有益です。

要約(オリジナル)

Analyzing the cone photoreceptor pattern in images obtained from the living human retina using quantitative methods can be crucial for the early detection and management of various eye conditions. Confocal adaptive optics scanning light ophthalmoscope (AOSLO) imaging enables visualization of the cones from reflections of waveguiding cone photoreceptors. While there have been significant improvements in automated algorithms for segmenting cones in confocal AOSLO images, the process of labelling data remains labor-intensive and manual. This paper introduces a method based on deep learning (DL) for detecting and segmenting cones in AOSLO images. The models were trained on a semi-automatically labelled dataset of 20 AOSLO batches of images of 18 participants for 0$^{\circ}$, 1$^{\circ}$, and 2$^{\circ}$ from the foveal center. F1 scores were 0.968, 0.958, and 0.954 for 0$^{\circ}$, 1$^{\circ}$, and 2$^{\circ}$, respectively, which is better than previously reported DL approaches. Our method minimizes the need for labelled data by only necessitating a fraction of labelled cones, which is especially beneficial in the field of ophthalmology, where labelled data can often be limited.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google