在患有神经退行性疾病的个体中,基于卷积神经网络的OCT和OCT血管图像图像图像的自动化质量评估
相关实验视频
Updated: Jul 25, 2025
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.7K
Terry Lee1,2, Alexandra Rivera1,3, Matthew Brune1,3
1iMIND Study Group, Duke University School of Medicine, Durham, NC, USA.
Translational vision science & technology
|June 30, 2023
概括
卷积神经网络 (CNN) 可以自动评估神经退行性疾病患者的光学连贯性断层扫描 (OCT) 和OCT血管造影 (OCTA) 图像质量. 这使质量控制自动化,提高了视网膜微血管和结构的诊断准确性.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 准确评估视网膜微血管和结构对于诊断神经退行性疾病至关重要.
- 光学连贯断层扫描 (OCT) 和OCT血管图像 (OCTA) 的手动质量控制是耗时且主观的.
- 自动化质量评估可以简化诊断过程并提高可靠性.
研究的目的:
- 开发和验证卷积神经网络 (CNN) 用于自动化评估OCT和OCTA图像的质量.
- 评估CNN在对神经退行性疾病患者的优质和劣质图像进行区分方面的表现.
- 评估自动化质量控制的潜力,以取代手动图像审查.
主要方法:
- 使用了两种类型的视网膜图像:质细胞内状层 (GC-IPL) 厚度图和表面毛细管 (SCP) 的OCT血管学 (OCTA) 扫描.
- 图像由两名训练有素的评分员手动标记质量 (好与差),具有高的评分间可靠性 (GC-IPL为97%,OCTA为90%).
- 基于AlexNet的CNN在1465个GC-IPL地图和2689个OCTA扫描的数据集上接受了训练,然后使用接收器操作特征 (AUC) 下的面积进行评估.
主要成果:
- 在评估GC-IPL厚度图的质量时,CNN获得了0.990的AUC.
- 在评估SCP的OCTA扫描质量时,CNN获得了0.832的AUC.
- 该研究表明,使用CNN,在区分优质与质量差的视网膜图像方面具有很高的准确性.
结论:
- 可以有效地训练CNN来自动区分高质量和低质量的GC-IPL厚度图和OCTA扫描.
- 自动化图像质量评估具有重要的翻译相关性,因为它可能消除了手动图像审查的需要.
- 这项技术可以通过视网膜成像分析来提高诊断神经退行性疾病的效率和准确性.
