Clasificación Automática de Imágenes de Tomografía de Coherencia Óptica Retiniana Con Red Neuronal Convolucional Guiada por Capas

La tomografía de coherencia óptica (OCT) permite la obtención instantánea y directa de imágenes del tejido retiniano morfológico y se ha convertido en una modalidad de imagen esencial para el diagnóstico en oftalmología. Como una de las características morfológicas retinianas importantes, la información estructural de las capas retinianas proporciona información diagnóstica significativa y está estrechamente relacionada con varias enfermedades retinianas. En esta carta, proponemos una nueva red neuronal convolucional guiada por capas (LGCNN) para identificar la retina normal y tres tipos comunes de patologías maculares, a saber, edema macular diabético, drusas y neovascularización coroidea. Específicamente, primero se emplea una red de segmentación eficiente para generar los mapas de segmentación de capas retinianas, que pueden delinear dos capas retinianas relacionadas con lesiones asociadas a las lesiones retinianas significativas. Luego, se utilizan dos subnetworks bien diseñadas en LGCNN para integrar la información de las dos capas relacionadas con lesiones. Como resultado, LGCNN puede enfocarse eficientemente en las regiones de capas relacionadas con lesiones significativas para mejorar la clasificación de OCT. Los resultados experimentales realizados en dos conjuntos de datos adquiridos clínicamente demuestran la efectividad del método propuesto.