干货!⻘光眼估计和预测的深度学习模型
点击蓝字
关注我们
AI TIME欢迎每一位AI爱好者的加入!
青光眼可对人眼的视力造成不可逆转的损害。青光眼通常通过视野敏感性来诊断。然而,测量视野敏感性是很费时和费力的。最近,光学相干断层扫描已被采用来测量视网膜层厚度以帮助诊断,因为青光眼会使视网膜层厚度的结构发生变化,而且获得视网膜层厚度的成本要低得多。网膜层厚度主要可以通过两种方式提供帮助。一种是利用视网膜层厚度的信息来估计视野敏感性,这样临床医生只需获得患者的视网膜层厚度,然后将其转换为视野敏感性即可进行诊断。另一种是通过利用过去的视野敏感性和视网膜层厚度来预测未来的视野敏感性,即预测视野敏感性随时间的发展。因为目前不知道视网膜层厚度和视野敏感性两者之间的关系的确切形式, 所以这两个计算任务作为两个数据挖掘任务执行。
在本文中,我们研究了一个新的问题,即两个数据挖掘任务的整合。动机是这两个数据挖掘任务都是将需要将信息从视网膜层厚度转换到视野敏感性,从而使一个任务中发现的知识对另一个任务有用。由于这两个任务不共享信息的转换方式,所以整合是不容易的。为了解决这个题,我们设计了一个与青光眼发展无关、与测量视野敏感性模式无关的计算模块,以促进跨任务的知识利用。通过在一个真实的数据上的实验,我们展示了新提出的方法优于目前最好的方法。
AI TIME 特别邀请香港理工大学电子计算学系研究助理教授——许林川,给大家带来分享:《青光眼估计和预测的深度学习模型》
许林川:
目前任职香港理工大学电子计算学系研究助理教授。他曾在2018年到2020年期间担任日本东京大学数理情报学系数理六研博士后研究员。他于2013获得北京邮电大学学士学位并于2018年获得香港理工大学博士学位。他在2015年至2016年期间访问了Philip S. Yu教授所在伊利诺伊大学芝加哥分校的实验室。许博士的研究兴趣包括数据挖掘,深度学习和生物医学信息学 。他在诸如TKDE和AJO等高影响力期刊以及KDD,ICML, NeurIPS, WWW, WSDM,IJCAI 和AAAI等顶级会议上发表了多篇论文。他作为一作获得了DSAA2017 年最佳学生会议论文奖。此外,许博士曾担任许多重要期刊和国际会议的审稿人例如TPAIMI, TKDD, KDD, CVPR, ICCV, IJCAI, 和AAAI。
01
青光眼背景知识
世界第二大致盲疾病
其特点是视力逐渐受损,而且是不可逆的
失明是由于视网膜神经受损造成的
医生在用药治疗的时候需要了解到青光眼的严重程度
了解青光眼严重程度——Visual Field (VF) Sensitivity
青光眼的主要指标(越小越差)
区域0则代表这个区域几乎完全感知不到光了,医生就通过VF来治疗青光眼
缺点是费时费力
Optical Coherence Tomography (OCT)
可以了解视网膜厚度,通过了解厚度来判断青光眼严重程度。青光眼越严重,视网膜厚度越低。
不受青光眼影响的视网膜照片
颜色越暖,厚度越厚
青光眼患者的视网膜照片
和VF对比,OCT是个省时省力少噪音的检测方式,然而主流方式还是VF;因为医生很难通过照片进行定量判断,毕竟只能识别颜色冷暖程度。
思考:能否将OCT转化为VF呢?
02
青光眼计算的现有工作
通过oct测量的视网膜层厚度(RT)计算VF,两种方法:
1)Estimation
1个数据集{Oi ,Fi}Mi=1 , 其中Oi ∈ ℝC×W×H是一个三通道OCT图像,Fi∈ ℝD是VF方法的一个向量。Oi 和Fi测量的是同一个青光眼的严重程度。
研究表明RT和VF之间数据的转换关系是非线性的
目标是把一个OCT的照片转化为VF,估计当下青光眼的严重程度
fe: O → F(映射函数)
输入是一个三通道图像,输出是一个VF的向量
2)Progression Prediction
VF的时间序列与OCT的时间序列。但是VF和OCT的时间不定,不能保证是同一天测量,即tvi0与tri0是不同的
研究表明VF的值是随时间线性下降的
任务是预测将来任意时刻的青光眼严重程度
估计和预测两种方法的共同点都是从RT形式转化成VF
不同点与挑战:
时间差异性
测试模式的差异性
(1)估计:HFA 10-2 test
(2)预测:HFA 24-2 test
数据的不平衡问题:预测用到的图像数据信息比估计要多
因此,提出模型:PAMI
03
我们提出解决上述问题的模型
Progression-agnostic解决时间差异性
Mode-independent解决模式差异性
alternating optimization算法解决数据不平衡
Progression Prediction:
转换成一个随时间发展的线性回归问题(青光眼严重程度随时间发展而下降);把VF和OCT的数据转化到同一潜在空间,方便比较;
PAMI即VF和OCT转换函数的一部分,该模块与时间和测试模式均无关
The Proposed Model:目标函数
PAMI的实现直接采用CNN卷基层即可进行实现
潜在空间线性回归 LSIR:矩阵分解将VF转化为一个潜空间,同时进行线性回归,得到VF在潜在空间的表达
按时间顺序包含所有vf的矩阵
两列矩阵:
第一列包含了每个VF的时间,即什么时候诊断
第二列全是1
以下为线性回归实现方式:
这样我们通过矩阵分解就同时完成了潜在空间学习和线性回归。
防止过拟合
利用其他眼睛的信息作为辅助信息
通过 i 和 j 基于VF值的相似性来防止过拟合
PAMI:提取空间特征
解决数据不平衡问题
因为预测任务的数据量远大于估计任务,所以模型基本上一直在学习预测任务。虽然PAMI与任务无关,但如果一直学习也会导致结果偏向于预测任务。所以我们采用这个算法额外的调整一下预测任务的参数,防止偏向性问题。
04
实验结果
估计任务
- 591 eyes provided by Department of Ophthalmology, The University of Tokyo Hospital
- Baselines: MLR, SVR
- Evaluation method: five-fold cross validation
- Evaluation metric: root mean square error (RMSE)
预测任务
- 998 eyes (eight VFs and more than one RT per eye)
- Baselines: point-wise linear regression (PLR), DLLR
- Evaluation method: five-fold cross validation
- Evaluation metric: root mean square error (RMSE)
估计任务的结果:和现有模型性能的比较
可以看出我们的模型性能最好,因为误差越小越好
预测任务的结果
C是用于测试眼睛的训练数据的时间序列vf的个数,我们的模型同样是现有模型之中性能最好的
05
结 论
我们提出PAMI可以促进青光眼的关节估计和进展预测,这样两个任务都可以通过交叉任务利用数据更好地完成
使得一种成本更低、效率更高的青光眼检测方法成为可能
提
醒
论文链接:
https://dl.acm.org/doi/pdf/10.1145/3447548.3467195
点击“阅读原文”,即可观看本场回放
整理:林则
审核:许林川
直播预告
3月24日 19:30 CVPR2022论文预讲
重新审视视频修复中的时序对齐问题
香港中文大学-深圳理工学院博士生——周昆
往期精彩文章推荐
记得关注我们呀!每天都有新知识!
关于AI TIME
AI TIME源起于2019年,旨在发扬科学思辨精神,邀请各界人士对人工智能理论、算法和场景应用的本质问题进行探索,加强思想碰撞,链接全球AI学者、行业专家和爱好者,希望以辩论的形式,探讨人工智能和人类未来之间的矛盾,探索人工智能领域的未来。
迄今为止,AI TIME已经邀请了550多位海内外讲者,举办了逾300场活动,超120万人次观看。
我知道你
在看
哦
~
点击 阅读原文 查看回放!
干货!⻘光眼估计和预测的深度学习模型相关推荐
- 用户在线广告点击行为预测的深度学习模型(含PPT下载)
本文来自英国伦敦大学学院博士张伟楠在携程技术中心主办的深度学习Meetup中的主题演讲,介绍了深度学习在Multi-field Categorical(多字段分类)数据集上的应用,涉及FM和FNN等算 ...
- 5个时间序列预测的深度学习模型对比总结:从模拟统计模型到可以预训练的无监督模型
时间序列预测在最近两年内发生了巨大的变化,尤其是在kaiming的MAE出现以后,现在时间序列的模型也可以用类似MAE的方法进行无监督的预训练 Makridakis M-Competitions系列( ...
- 用lstm模型做预测_深度学习模型 CNN+LSTM 预测收盘价
-- 本篇文章 by HeartBearting 上一篇浏览量很大,感谢各位的关注! 能够在这里分享一些实验,一起领略 数据科学之美,也很开心. 以后,这个实验的模型会不断深化. 之后,也会分享一些 ...
- 5大关键步骤!如何构建深度学习模型?
深度学习的关注度正持续上升,它是机器学习的一个子领域,基于人工神经网络的概念来执行特定任务.然而在理论上,人工神经网络与人类大脑的运作方式并不相同,甚至都不相似! 它们之所以被命名为人工神经网络,是因 ...
- 训练好的深度学习模型原来这样部署的!(干货满满,收藏慢慢看)
点击上方蓝字关注我们 计算机视觉研究院专栏 作者:Edison_G 当我们辛苦收集数据.数据清洗.搭建环境.训练模型.模型评估测试后,终于可以应用到具体场景,但是,突然发现不知道怎么调用自己的模型,更 ...
- 转【重磅干货整理】机器学习(Machine Learning)与深度学习(Deep Learning)资料汇总
原文出处:http://blog.csdn.net/zhongwen7710/article/details/45331915 介绍:这是一篇介绍机器学习历史的文章,介绍很全面,从感知机.神经网络.决 ...
- 【干货小铺】各种编程语言的深度学习库整理
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达本文转自|新机器视觉 本文总结了Python.Matlab.CPP. ...
- 和免疫荧光标记说拜拜 | 谷歌Cell论文:深度学习模型预测荧光位置
Root 发自 凹非寺 量子位 出品 | 公众号 QbitAI 在生物医学的研究里,显微镜可以帮助科学家们观察定位细胞水平或分子水平的物质. 常用的相差显微镜观察法,是从生物组织的一侧给光,对细胞损伤 ...
- 基于原始影像数据的深度学习模型预测脑龄可获得可靠的遗传生物标志物
基于机器学习对神经影像数据进行分析可以准确预测健康人的年龄.预测年龄与健康大脑的年龄的偏差被证明与认知障碍和疾病有关.在这里,我们基于深度学习的预测建模方法,特别是卷积神经网络(CNN),进一步测试了 ...
最新文章
- 2022-2028年中国安防视频行业市场前景分析预测报告
- iOS下JS与OC互相调用(四)--JavaScriptCore
- Hinton再挖新坑:改进胶囊网络,融合Transformer神经场等研究
- 深度学习三巨头也成了大眼萌,这个一键转换动画电影形象的网站竟因「太火」而下线...
- GNOME桌面的安装
- python中sort命令介绍以及list结构中统计各元素出现的个数的方法
- 【数据分析学习】数据预处理
- 扫描sdcard文件(递归)
- linux 内存查看_Linux终端查看最消耗CPU内存的进程
- Hive文件数创建过多的问题
- Sharding-JDBC(操作公共表)_Sharding-Sphere,Sharding-JDBC分布式_分库分表工作笔记013
- MySQL导入MongoDB
- Unity3D之UGUI基础1:UGUI插件介绍
- 编译编译时,用不到的库,一定不要链接
- 关键词组合工具_关键词的优化方法及搜索工具,亚马逊关键词处理
- 基于单片机at89s52的频率计设计c语言程序,基于AT89S52单片机电子万年历设计(附程序,电路原理图)...
- Lrc文件与音乐的同步显示
- 投影仪全国产化电子元件推荐方案
- vitamio视频框架使用详解
- unity 捕鱼达人鱼群的移动
热门文章
- ipmitool介绍_ipmitool
- 苹果发布了史上最强但最贵的 iPhone 新品,还有中国特供版 # 天猫首发
- iOS精仿唱吧下载按钮、仿知乎日报、自定义提示视图、过渡动画、记录应用等源码
- Alibaba之Nacos详解
- HotSpot与JVM概述
- 用户·角色·权限·表的设计
- 做自媒体、短视频,如何选择一个合适的背景音乐
- 数据分析在企业中的三大作用
- 好友数量限制 mysql_MySQL_UCenter Home好友上限与150法则, 设置UCenter Home好友上限与 - phpStudy...
- 有什么软件可以测试电路板电流,万用表怎么测电流-如何使用万用表测电流请问在印刷板(电路板) – 手机爱问...