State-of-the-Art Periorbital Distance Prediction and Disease Classification Using Periorbital Features

要約

眼窩周囲の距離と目とまぶたの周囲の特徴には、疾患の定量化と外科的介入や医療介入のモニタリングのための貴重な情報が含まれています。
これらの距離は通常手動で測定されますが、このプロセスは主観的であり、非常に時間がかかります。
今回、我々はセグメンテーションと眼窩周囲距離予測のための 3 つの深層学習手法の開発に着手し、疾患分類における眼窩周囲距離の有用性も評価しました。
ディープラーニングによる予測距離の MAE は、訓練されたヒューマン アノテーター間で観察された誤差よりも小さいか、またはそれに非常に近かったです。
私たちは、私たちのモデルを眼窩周囲距離予測のための現在の最先端 (SOTA) 手法と比較し、1 つを除くすべてのデータセットで私たちの方法が SOTA よりも優れたパフォーマンスを示すことがわかりました。
また、オープンソースの健康な眼でトレーニングされたモデルを使用して、病気の眼でも堅牢なセグメンテーションが達成できること、また眼窩周囲距離が下流の分類モデルで高品質の特徴として使用できることも示します。
分類の中間ステップとしてセグメンテーション ネットワークを活用することは、従来の畳み込みニューラル ネットワークで観察される分布外の問題を回避することにより、眼科形成手術および頭蓋顔面手術における分類モデルの一般化可能性を高めることに広範な影響を及ぼします。

要約(オリジナル)

Periorbital distances and features around the eyes and lids hold valuable information for disease quantification and monitoring of surgical and medical intervention. These distances are commonly measured manually, a process that is both subjective and highly time-consuming. Here, we set out to developed three deep-learning methods for segmentation and periorbital distance prediction, and also evaluate the utility of periorbital distances for disease classification. The MAE of our deep learning predicted distances was less than or very close to the error observed between trained human annotators. We compared our models to the current state-of-the-art (SOTA) method for periorbital distance prediction and found that our methods outperformed SOTA on all of our datasets on all but one periorbital measurement. We also show that robust segmentation can be achieved on diseased eyes using models trained on open-source, healthy eyes, and that periorbital distances have can be used as high-quality features in downstream classification models. Leveraging segmentation networks as intermediary steps in classification has broad implications for increasing the generalizability of classification models in ophthalmic plastic and craniofacial surgery by avoiding the out-of-distribution problem observed in traditional convolutional neural networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google