在 fundus 视频中自发视网膜静脉脉动的自主评估,使用深度学习框架
Amirhossein Panahi1, Alireza Rezaee2, Farshid Hajati3
1Faculty of New Sciences and Technologies, University of Tehran, Tehran, Iran.
Scientific reports
|September 2, 2023
概括
本研究介绍了U3D-Net,这是一种深度学习模型,用于在视网膜视频中客观检测自发视网膜静脉脉动 (SVP). 这种人工智能方法旨在改善对玻璃眼和内压力增加等疾病的诊断.
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:
- 自发的视网膜静脉脉动 (SVP) 提供了对视神经头部血液动力学的关键见解.
- 目前的SVP评估是主观的,严重依赖临床医生的专业知识.
- 缺席或减少的SVP与内压升高和绿眼病的进展有关.
研究的目的:
- 从视网膜底部视频开发和验证一个自动化的深度学习模型,用于客观的SVP分类.
- 建立一个自主SVP检测的端到端系统.
主要方法:
- 开发U3D-Net,一个集成的深度模型,包括光盘定位器和SVP分类器.
- 使用快速注意力循环残余U-Net进行光盘定位.
- 使用各种时间序列分类器,包括3D Inception,用于SVP分类.
- 在视网膜底部视频上训练和评估模型.
主要成果:
- 光盘定位器在30毫秒内实现了95%的子得分.
- 3D Inception模型在SVP分类中表现出卓越的性能.
- 获得了84 ± 5%的准确性,90 ± 8%的灵敏度和SVP分类的F1-Score为81 ± 6%.
结论:
- U3D-Net提供了一种自主和客观的方法来对SVP进行分类.
- 这种深度学习方法有可能提高视神经头部健康状况的临床评估.
- 代表了第一次使用深度神经网络在视网膜视频中进行自主SVP分类.
