Aug, 2023
哈佛青光眼检测与进展:多模态多任务数据集和强化泛化的半监督学习
Harvard Glaucoma Detection and Progression: A Multimodal Multitask
Dataset and Generalization-Reinforced Semi-Supervised Learning
TL;DR青光眼是全球不可逆盲的主要原因。本研究针对有限的带有最先进的光学相干断层扫描(OCT)3D视网膜成像数据的标记患者的瓶颈问题,提出两种解决方案。首先,我们开发了一种新型的广义增强半监督学习(SSL)模型,称为伪监督器,以最佳方式利用无标签数据。与最先进的模型相比,所提出的伪监督器通过预测未标记样本的伪标签来优化策略,以提高经验概括能力。我们的伪监督器模型通过进行青光眼检测和进展预测两个临床任务进行评估。进展预测任务以单模态和多模态方式进行评估。我们的伪监督者模型表现出优于最先进SSL比较模型的性能。此外,我们的模型在公开可用的LAG眼底数据集上也取得了最佳结果。其次,我们引入了哈佛青光眼检测和进展(Harvard-GDP)数据集,这是一个多模态多任务数据集,包括来自1,000例患者的OCT成像数据,以及青光眼检测和进展的标签。这是一个拥有3D OCT成像数据的最大的青光眼检测数据集,也是公开可用的第一个青光眼进展预测数据集。我们提供了详细的性别和种族分析,供有兴趣的研究人员用于公平学习研究。我们的数据集通过几个最先进的有监督的CNN和Transformer深度学习模型进行了基准测试。数据集和代码可通过https://ophai.hms.harvard.edu/datasets/harvard-gdp1000公开获取。