Сегментация внутриглазной жидкости на томограммах сетчатки

Клиническая мотивация

Накопление внутриглазной жидкости является основным биомаркером при трех основных заболеваниях, угрожающих зрению:

Ручная сегментация экспертами занимает 20–40 минут на один объем с межуровневой изменчивостью до 15% для небольших карманов жидкости. Эта модель обеспечивает калиброванные, учитывающие неопределенность маски сегментации для снижения нагрузки на клиницистов и повышения согласованности мониторинга лечения.

Архитектура

Модель использует подход двойного ансамбля с двумя вариантами:

Две модели — Двойной ансамбль

Особенности модели

• UCUS — Взвешенный по неопределенности показатель клинической срочности: Объединяет показатель объема, фовеальный множитель, неопределенность границ и скидку на неопределенность в единую шкалу оценки: Мониторинг / Обзор / Срочно.
• Двойная оценка неопределенности: Объединяет дисперсию MC Dropout (20 прямых проходов) с расхождением между предсказаниями V2S и V2L.
• Source-Adaptive BatchNorm (SA-BN): Отдельная статистика пакетной нормализации для каждого источника сканера (DUKE, AROI, UMN-AMD, UMN-DME, OPTIMA). Обеспечивает адаптацию к домену между сканерами без переобучения.
• Многоисточниковая оценка на четырех наборах данных: Одновременная оценка по 4 независимым источникам с пошаговым разбиением Dice для каждого источника.

Применение

Модель предназначена для автоматической сегментации внутриглазной жидкости на OCT-изображениях, что позволяет быстрее и точнее диагностировать и мониторить такие заболевания, как диабетический макулярный отек (ДМО) и влажная форма возрастной макулярной дегенерации (ВМД). Это снижает нагрузку на офтальмологов и обеспечивает более последовательный подход к лечению.

Метрики качества

• Dice на валидации (V2S): 0.7443 (seed=42)
• Dice на валидации (V2L): 0.7913 (seed=123)

Пример использования

Ссылки