通过眼镜图像通过高光谱和深度学习检测氧化视网膜病变
Wen-Shuang Fan1, Hong-Thai Nguyen2, Ching-Yu Wang1
1Department of Ophthalmology, Dalin Tzu Chi Hospital, Buddhist Tzu Chi Medical Foundation, Chiayi 62247, Taiwan.
Diagnostics (Basel, Switzerland)
|July 29, 2023
概括
通过使用高光谱成像和深度学习,改善了氧化视网膜病变的检测. 人工智能模型准确地识别了人类眼睛无法察觉的药物诱导的视网膜病变.
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:
- 氧化用于自身免疫性疾病,但可能导致不可逆转的视网膜损伤,导致视力丧失.
- 早期检测氧化氨酸视网膜病变对于管理视力障碍至关重要.
- 当前的诊断方法可能无法检测到微妙的,早期的视网膜变化.
研究的目的:
- 研究超光谱成像和深度学习用于检测氧化诱导的视网膜病变的有效性.
- 用光谱分析来区分正常和药物诱导的视网膜病变.
- 评估各种深度学习模型在识别这些病变方面的表现.
主要方法:
- 分析了来自91名参与者的176张彩色 fundus 图像 (25名视网膜病变患者,66名对照患者).
- 应用了高光谱转换技术,从选定的图像区域获取光谱数据.
- 进行了光谱分析,以确定视网膜病变的微妙差异.
- 四个深度学习模型 (ResNet50,Inception_v3,GoogLeNet,EfficientNet) 被实施用于病变检测.
主要成果:
- 深度学习模型在检测氧化氨酸视网膜病变方面表现出高准确度.
- 超光谱成像 (HSI) 与原始图像 (ORI) 相比,通常会改善模型性能.
- EfficientNet实现了最高的准确性:ORI为94%,HSI为97%.
- ResNet50也表现出强的表现,ORI的准确率为93%,HSI的准确率为96%.
结论:
- 超光谱成像与深度学习相结合,为早期检测氧化网膜病变提供了一个有希望的,非侵入性的方法.
- 人工智能模型可以识别人眼看不见的视网膜病变,有助于及时的临床干预.
- 这项技术有可能通过早期诊断和治疗药物诱导的眼部毒性来改善患者的治疗结果.
