Transfer-Learning-basierte Klassifikation von optischen Kohärenz-Tomographie-Bildern bei diabetischem Makulaödem und trockener altersbedingter Makuladegeneration

Wir präsentieren einen Algorithmus zur Identifizierung retinaler Pathologien anhand von retinalen optischen Kohärenz-Tomographie (OCT)-Bildern. Unser Ansatz optimiert ein vortrainiertes convolutional neural network (CNN), GoogLeNet, um dessen Vorhersagefähigkeit im Vergleich zum Training mit zufälliger Initialisierung zu verbessern, und identifiziert auffällige Antworten während der Vorhersage, um die gelernten Filtermerkmale zu verstehen. Wir betrachteten einen Datensatz mit Probanden mit diabetischem Makulaödem, trockener altersbedingter Makuladegeneration oder ohne Pathologie. Das optimierte CNN konnte Pathologien im Vergleich zu klassischem Lernen effektiv identifizieren. Unser Algorithmus zielt darauf ab, zu zeigen, dass Modelle, die auf nicht-medizinischen Bildern trainiert wurden, für die Klassifizierung von OCT-Bildern mit begrenzten Trainingsdaten optimiert werden können.