联合运动校正和3D细分与图形辅助神经网络用于视网膜CT
Yiqian Wang1, Carlo Galang2, William R Freeman2
1Department of Electrical and Computer Engineering, University of California, San Diego.
Proceedings. International Conference on Image Processing
|June 21, 2023
概括
本研究介绍了神经网络,以同时纠正眼睛运动和分段视网膜层在3D光学连贯断层扫描 (OCT) 成像中. 这种方法提高了视网膜层细分的一致性和准确性,用于眼科应用.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 生物医学工程 生物医学工程
背景情况:
- 光学连贯断层扫描 (OCT) 是眼科中一个关键的非侵入性3D成像模式.
- 准确的视网膜层细分对于OCT血管学和疾病诊断至关重要.
- 不自发的眼睛运动会导致运动工件,降低了OCT图像质量和细分精度.
研究的目的:
- 在3D OCT数据中开发一种新的神经网络方法来纠正关节眼动和视网膜层细分.
- 通过整合3D OCT信息,确保在相邻的B扫描中进行细分的一致性.
- 为了提高基于OCT的视网膜分析的可靠性.
主要方法:
- 提出了一个深度学习框架,利用3D OCT数据.
- 实施了一种联合模型,用于同时进行运动器件校正和视网膜层细分.
- 与传统和2D深度学习细分技术对比,对该方法进行了评估.
主要成果:
- 在运动校正和细分后,在OCT图像中显示出显著的视觉改善.
- 与现有的2D方法相比,在视网膜层细分方面取得了优异的定量结果.
- 在邻近的B扫描中展示了细分的增强一致性.
结论:
- 拟议的联合3D OCT运动校正和细分方法比2D方法具有实质性的优势.
- 这种技术在眼睛运动的情况下提高了视网膜层细分的准确性和可靠性.
- 这些发现支持OCT先进图像处理在眼科应用中的临床实用性.
