在多种神经退行性疾病情景中视网膜层的自动细分

科学领域:

• 眼科医生 眼科 眼科
• 神经学 神经学
• 医疗成像医学成像

背景情况:

• 视网膜光学连贯断层扫描 (OCT) 提供了中枢神经系统神经组织的非侵入性可视化.
• 从视网膜层提取生物标志物有助于评估眼睛,全身和神经系统疾病 (ND).
• 深度学习模型在视网膜层细分方面表现出色,但在疾病特异性变化方面扎.

研究的目的:

• 在多种神经退行性疾病情景中开发一种用于视网膜层细分的自动化方法.
• 研究神经退行性疾病对深度学习模型性能的影响.
• 评估包括ND患者在内的训练数据集的有效性,以提高模型的稳定性.

主要方法:

• 利用完全自动的深度学习方法进行视网膜层细分.
• 采用了一个注释数据集,包括阿尔茨海默病,帕金森病,多发性硬化症,基本震和健康对照患者.
• 进行了一项两部分研究,分析ND对模型性能的影响.

主要成果:

• 仅在健康患者图像上训练的模型在神经退行性疾病数据集上表现下降.
• 整合来自各种神经退行性疾病患者的图像显著提高了模型细分性能.
• 该研究强调了对代表疾病状态的多样化数据集的关键需求,以进行强大的模型培训.

结论:

• 仅仅是健康患者数据就不足以训练用于神经退行性疾病分析的强大的自动细分模型.
• 将各种神经退行性疾病患者数据纳入训练数据集对于提高模型性能至关重要.
• 拟议的自动化细分方法为在多种神经退行性疾病情景中提供可靠诊断的有价值工具.