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！