Detección automatizada de fotorreceptores de cono utilizando datos sintéticos y aprendizaje profundo en óptica...

Área de la Ciencia:

• Oftalmología Oftalmología.
• Imágenes biomédicas de imágenes.
• La inteligencia artificial es inteligencia artificial.

Sus antecedentes:

• La oftalmoscopia láser de exploración óptica adaptativa (AOSLO) visualiza el mosaico fotorreceptor del cono in vivo.
• La identificación manual de fotorreceptores es subjetiva, requiere mucho tiempo y no es escalable para el análisis cuantitativo.
• Se necesitan métodos automatizados, pero el aprendizaje profundo requiere extensos datos de capacitación anotados, que son difíciles de obtener.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de aprendizaje profundo para la identificación automatizada de fotorreceptores de cono en imágenes AOSLO.
• Investigar la utilidad de los datos sintéticos para entrenar modelos de aprendizaje profundo cuando los datos anotados reales son escasos.
• Para comparar el rendimiento del modelo con el etiquetado manual y los métodos automatizados existentes.

Principales métodos:

• Se entrenó un modelo de aprendizaje profundo de U-Net utilizando un gran conjunto de datos sintéticos y un conjunto de datos reales más pequeño de imágenes AOSLO confocales.
• El rendimiento del modelo se evaluó utilizando el coeficiente Dice en conjuntos de pruebas reales y un conjunto de datos independiente.
• Los resultados se compararon con el etiquetado manual de expertos y dos métodos automatizados: una red neuronal convolucional (CNN) y un enfoque de teoría de grafos / programación dinámica.

Principales resultados:

• El modelo U-Net logró un coeficiente de dados promedio de 0.989 en un conjunto de pruebas sostenido, comparable al etiquetado manual de expertos (0.989) y otros métodos automatizados.
• En un conjunto de datos independiente, la U-Net logró un coeficiente de dados de 0,962, lo que demuestra la generalización.
• El modelo mostró un rendimiento comparable al estándar de oro del etiquetado manual y las técnicas automatizadas existentes.

Conclusiones:

• Los modelos de aprendizaje profundo entrenados con datos sintéticos pueden segmentar con precisión los fotorreceptores de cono en las imágenes de AOSLO.
• Este enfoque supera la limitación de los escasos datos anotados y ofrece una solución escalable para el análisis cuantitativo.
• El método es prometedor para la generación de biomarcadores de imágenes específicas de células en la investigación de enfermedades de la retina utilizando AOSLO.