Разработка метода сегментации сетчатки на 10 слоёв при макулярной телеангиэктазии 2-го типа с использованием полуобучения

Цель: Программное обеспечение для автоматической сегментации на устройствах оптической когерентной томографии (ОКТ) обычно разрабатывают и преимущественно тестируют при распространённых заболеваниях. Поэтому при редких патологиях глаз точность автоматической сегментации может быть ограничена.

Методы: Мы разработали модель глубинного обучения с полуобучением для сегментации 10 слоёв сетчатки и четырёх признаков на изображениях глаз при макулярной телеангиэктазии 2-го типа (MacTel). Для обучения использовали небольшой размеченный набор данных, дополнив его неразмеченными изображениями. Модель сравнили с распространёнными моделями обучения с учителем и полуобучения; также провели абляционные исследования самой модели.

Результаты: На тестовом наборе данных наша модель значимо превосходила все остальные по метрике пересечения над объединением при сегментации 10 слоёв сетчатки и двух признаков. Для двух остальных признаков — пространства перед сетчаткой над внутренней пограничной мембраной и фона под пигментным эпителием сетчатки — все модели показали сходные результаты. Кроме того, мы показали, что увеличение числа неразмеченных изображений повышало эффективность модели с полуобучением.

Выводы: Использование неразмеченных данных позволяет нашей модели улучшить сегментацию по сравнению с моделями обучения с учителем. Такой подход может повысить точность сегментации и при других заболеваниях, когда размеченных данных мало, а неразмеченных — много.

Практическая значимость: Улучшение автоматической сегментации изменений при MacTel на изображениях ОКТ за счёт использования неразмеченных данных может сделать оценку прогрессирования заболевания точнее. Этот подход также может помочь точнее выявлять и локализовать признаки других редких заболеваний на ОКТ.