OUCopula: Bi-Channel Multi-Label Copula-Enhanced Adapter-Based CNN for Myopia Screening Based on OU-UWF Images

使用尖端的超广角（UWF）眼底成像进行近视筛查对眼科结果具有潜在的重要意义。目前，眼科和深度学习（DL）之间的跨学科研究主要集中在使用单眼图像进行疾病分类和诊断，很大程度上忽略了联合建模和预测 Oculus Uterque（OU，双眼）。受OU之间的复杂关系和球面等效和轴长之间的高相关性的启发，我们提出了一种基于copula增强的适配器卷积神经网络（CNN）学习框架，使用OU UWF眼底图像（OUCopula）进行多个临床评分的联合预测。我们设计了一种新颖的双通道多标签CNN，可以（1）采用双通道图像输入，适应高相关性和异质性（通过共享相同的骨干网络和使用适配器来参数化通道间的差异），以及（2）在连续输出标签之间融入相关信息（使用copula）。实验证明，与骨干模型相比，OUCopula在近视评分预测方面表现出了令人满意的性能。此外，OUCopula的性能也远远超过了针对单眼输入构建的模型。重要的是，我们的研究还暗示了双通道模型扩展到多通道范例的潜在性，并且OUCopula在各种骨干CNN上具有普适性。

本论文的问题是如何使用联合建模和预测方法来进行双眼视网膜成像的近视筛查和预测，以提高眼科结果。

本论文的关键思路是使用双通道多标签CNN和copula增强适配器CNN来处理双眼视网膜图像，以联合预测多个临床分数。同时，该论文的思路在于将双眼视网膜图像作为一个整体进行处理，而不是分别处理。

本论文的实验表明，与基础模型相比，使用OUCopula框架可以更好地预测近视分数，并且可以超越单眼输入模型的性能。此外，该论文还探讨了双通道模型向多通道模型的扩展以及OUCopula在不同CNN模型中的通用性。

最近的相关研究包括使用深度学习进行眼科疾病分类和诊断的研究，以及使用视网膜图像进行近视预测的研究。其中一些研究包括“基于深度学习的视网膜图像分类”和“基于双眼视网膜图像的近视预测”。