MICS科研简讯第四十八期
研究背景介绍
在眼科疾病的诊治中，离不开对病变的定性判断与定量分析。光学相干断层扫描(OpticalCoherenceTomography，OCT)是一种非侵入式的视网膜快速成像技术[1]，可生成高分辨率的三维眼底图像。OCT已成为临床诊断、分析眼底疾病的标准工具之一[2]。但大量OCT图像数据的判读特别是定量分析工作人工成本高昂，需要专业医生花费大量时间精力。深度学习方法的蓬勃发展为减轻医务人员的工作负担带来很大机遇，已出现多种基于深度神经网络的OCT图像分类与分割方法，实现了相比传统方法而言更准确的疾病筛查与更精细的视网膜水肿分割。但深度学习方法在临床应用中依然面临诸多挑战，如诊断信息的模态多样化，手工标签获取困难等，导致目前深度学习方法很难在临床条件中应用。为此，我们开展了两项面向临床条件的眼科图像智能分析的研究工作，详细介绍如下。
一、基于模态特异性注意力网络的多模态眼底疾病分类方法
X.He,Y.Deng,L.Fang,andQ.Peng,“Multi-ModalRetinalImageClassificationWithModality-SpecificAttentionNetwork,”IEEETrans.Med.Imaging,vol.40,no.6,pp.–,Jun.（code：