基于深度学习的可视化和流体区域的体积分析在光学连贯性断层扫描扫描中
Harishwar Reddy Kasireddy1, Udaykanth Reddy Kallam1, Sowmitri Karthikeya Siddhartha Mantrala1
1Department of Electrical Engineering, Indian Institute of Science, Bengaluru 560012, India.
这项研究引入了一种深度学习工具,用于在光学连贯性断层扫描 (OCT) 图像中计算视网膜液体体积,以帮助评估视网膜内液体 (IRF),视网膜下液体 (SRF) 和色素上皮脱落 (PED). 该工具使用新的可视化技术进行准确的体积分析.
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:
- 准确的视网膜液体体积计算对于诊断和监测视网膜病理至关重要.
- 光学连贯断层扫描 (OCT) 是可视化视网膜结构的关键成像方式.
- 现有的体积分析方法可能是劳动密集型和主观的.
研究的目的:
- 开发和验证基于深度学习的可视化工具,用于量化OCT图像中的流体体积.
- 评估不同类激活映射 (CAM) 技术的性能,以可视化病理特定区域.
- 为了比较一个标准的Inception-ResNet-v2模型的准确性与一个较小的变体进行体积分析.
主要方法:
- 二元分类模型 (Inception-ResNet-v2) 已被开发用于肠内液体 (IRF),脑下液体 (SRF) 和色素上皮脱落 (PED).
- 多种CAM技术 (Grad-CAM,Grad-CAM++,Score-CAM,Ablation-CAM,Self-Matching CAM) 和一个新的Ensemble-CAM被用来进行可视化.
- 一个图形用户界面 (GUI) 集成可视化热图与区域增长和选择性值算法进行体积计算.
主要成果:
- 深度学习工具准确计算了OCT扫描中的液体体积,与专家注释相当.
- Ensemble-CAM提供了病理特定区域的强大可视化.
- 较小的Inception-ResNet-v2模型在减少计算资源的情况下表现出可比的性能.
结论:
- 基于深度学习的可视化技术对于可靠的视网膜病理体积分析具有相关性和有用性.
- 开发的工具为客观和有效地评估视网膜液体体积提供了一个有希望的方法.
- 这项技术可以帮助在临床实践中分类病理和评估治疗反应.
更多相关视频
00:09Automated 3D Optical Coherence Tomography to Elucidate Biofilm Morphogenesis Over Large Spatial Scales
Published on: August 21, 2019
08:50Longitudinal Morphological and Physiological Monitoring of Three-dimensional Tumor Spheroids Using Optical Coherence Tomography
Published on: February 9, 2019
相关概念视频
Uniform Depth Channel Flow: Problem Solving
Uniform Depth Channel Flow
Imaging Studies VII: Vascular Imaging
Computed Tomography
The technique was invented in the 1970s and is based on the principle that as X-rays pass through the body, they are absorbed or reflected at different levels. In the technique, a patient lies on a motorized platform while a computerized axial tomography (CAT) scanner rotates...
Viscosity of Fluid
