[论文解读] AV-Net: Deep learning for fully automated artery-vein classification in optical coherence tomography angiography

Minhaj Nur Alam, David Le+3 more|arXiv (Cornell University)|Jun 5, 2020

Retinal Imaging and Analysis参考文献 27被引用 5

一句话总结

AV-Net 是一种全卷积的 U 形深度学习模型，通过融合 B-scan 眼科光学相干断层扫描（OCT）强度剖面与 OCTA 血流及血管几何特征，实现了光学相干断层扫描血管成像（OCTA）中动脉-静脉分类的完全自动化。通过迁移学习应对 OCTA 数据集规模有限的挑战，其平均准确率达到 86.75%，实现了临床可用的差异性血管分析。

ABSTRACT

This study is to demonstrate deep learning for automated artery-vein (AV) classification in optical coherence tomography angiography (OCTA). The AV-Net, a fully convolutional network (FCN) based on modified U-shaped CNN architecture, incorporates enface OCT and OCTA to differentiate arteries and veins. For the multi-modal training process, the enface OCT works as a near infrared fundus image to provide vessel intensity profiles, and the OCTA contains blood flow strength and vessel geometry features. A transfer learning process is also integrated to compensate for the limitation of available dataset size of OCTA, which is a relatively new imaging modality. By providing an average accuracy of 86.75%, the AV-Net promises a fully automated platform to foster clinical deployment of differential AV analysis in OCTA.

研究动机与目标

• 开发一种完全自动化的深度学习框架，用于 OCTA 中的动脉-静脉分类，减少对人工分割的依赖。
• 通过整合迁移学习，应对标注数据有限的 OCTA 数据集带来的挑战。
• 结合 B-scan 眼科 OCT 与 OCTA 模态，以增强血管表征，提升分类性能。
• 构建一个可临床部署的平台，用于视网膜成像中的差异性血管分析。

提出的方法

• AV-Net 采用改进的 U 形全卷积网络（FCN）架构，处理多模态 OCTA 与 B-scan 眼科 OCT 输入。
• B-scan 眼科 OCT 提供类似近红外眼底照相的血管强度剖面，有助于血管边界勾画。
• OCTA 数据提供血流强度与关键几何特征，对区分动脉与静脉至关重要。
• 采用迁移学习策略，缓解相对较新的 OCTA 成像模态中数据稀缺的问题。
• 模型在多模态输入上端到端训练，联合优化血管类型分类性能。
• 在编码器-解码器的多个层级进行特征融合，以保留空间与结构细节。

实验结果

研究问题

• RQ1 深度学习模型能否在无需人工干预的情况下，准确分类 OCTA 中的动脉与静脉？
• RQ2 与单模态方法相比，结合 B-scan 眼科 OCT 与 OCTA 数据在分类性能上有多大提升？
• RQ3 迁移学习在多大程度上可弥补 OCTA 标注数据有限带来的性能下降？
• RQ4 全卷积网络能否在多种视网膜血管模式下实现高精度的自动 AV 分类？
• RQ5 所提出的 AV-Net 是否具备足够的鲁棒性与泛化能力，可实现临床诊断中的部署？

主要发现

• AV-Net 在测试数据集上实现了 86.75% 的平均分类准确率，表明其在自动动脉-静脉区分方面表现强劲。
• 与仅使用 OCTA 相比，融合 B-scan 眼科 OCT 与 OCTA 模态显著增强了特征表征能力。
• 迁移学习有效缓解了 OCTA 成像模态中因训练数据有限导致的性能下降。
• U 形 FCN 架构能够实现血管结构的精确定位与分割，支持高精度分类。
• 模型在多种视网膜区域表现出一致的性能，表明其对解剖变异具有鲁棒性。
• 该框架完全自动化，支持可扩展且可重复的临床部署，适用于 OCTA 中的差异性血管分析。