密集的视神经头部变形估计使用CNN作为格洛科马进展的结构生物标志物

科学领域:

• 眼科医生 眼科 眼科
• 生物医学工程 生物医学工程
• 医疗成像医学成像

背景情况:

• 玻璃眼是导致不可逆转失明的主要原因.
• 早期发现青光眼的进展对于及时干预至关重要.
• 目前监测青光眼进展的方法有局限性.

研究的目的:

• 引入一种新的结构生物标志物来检测青光眼的进展.
• 评估深度学习和计算方法在估计视神经头部 (ONH) 变形方面的有效性.
• 评估拟议生物标记物的诊断准确性.

主要方法:

• 使用深度学习 (DDCNet-Multires,FlowNet2,FlowNetCorrelation) 和传统方法 (TCA,POD) 估计的ONH变形.
• 根据平均ONH变形大小计算了一个生物标志物.
• 通过使用灵长类动物和人类玻璃眼研究 (LEGS,DIGS) 的纵向对焦扫描来验证生物标志物.
• 使用ROC曲线下的面积 (AUC) 评估诊断准确性.

主要成果:

• 深度学习和传统方法都估计了ONH变形.
• 正确的直角分解 (POD) 和地形变化分析 (TCA) 在灵长类动物 (LEGS) 和人类 (DIGS) 研究中显示出高的诊断准确性.
• 深度学习方法表现出强的表现,并有可能通过微调进行改进.
• 图像对齐错误影响了LEGS数据集中的深度学习准确性.

结论:

• 深度学习模型可以有效地估计ONH变形以检测青光眼.
• 提出的结构生物标志物,特别是当通过先进的方法估计时,显示出高的诊断准确性.
• 通过使用ONH特定数据进一步完善深度学习网络,可以提高对玻璃眼病进展监测的性能.