深度学习估计10-2视觉场图基于黄斑光学一致性断层扫描血管学测量
Golnoush Mahmoudinezhad1, Sasan Moghimi1, Jiacheng Cheng2
1From the Hamilton Glaucoma Center (G.M., S.M., K.H.D., K.L., G.G., E.M., T.N., A.K., E.W., M.C., L.Z., R.N.W.), Shiley Eye Institute, Viterbi Family Department of Ophthalmology, UC San Diego, La Jolla, California.
American journal of ophthalmology
|September 21, 2023
概括
深度学习模型准确地估计了OCTA扫描中的视野损失,优于线性回归. 这项技术可以改善临床决策和对那些面临中央视力损伤风险的人的患者护理.
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:
- 视野 (VF) 损失是青光眼和其他视神经病变的关键指标.
- 光学连贯断层扫描血管造影 (OCTA) 提供了视网膜的详细血管密度 (VD) 地图.
- 目前用于评估VF的方法可能是侵入性的或耗时的.
研究的目的:
- 开发和验证深度学习 (DL) 模型,以使用OCTA船舶密度 (VD) 测量来估计中央视野 (VF) 参数.
- 将DL模型的性能与VF估计中的传统线性回归 (LR) 模型进行比较.
主要方法:
- 使用了来自健康和青光眼患者的1051个OCTA和VF对的数据集.
- 在OCTA的面部斑块VD图像上训练DL模型,以预测平均偏差 (MD),模式标准偏差 (PSD),总偏差 (TD) 和模式偏差 (PD) 值.
- 使用平均绝对误差 (MAE) 和R平方 (R2) 值评估模型准确性,将DL预测与实际VF测量进行比较.
主要成果:
- DL模型在预测10-2平均偏差 (MD) 中取得了高准确性,R2为0.85和MAE为1.76dB.
- 在估计点向总偏差 (TD) 值方面,DL模型显著优于线性回归 (LR),平均MAE为2.48dB,R2为0.69.
- 与LR模型相比,DL模型在所有测试部门都表现出优异的性能.
结论:
- 深度学习模型可以直接从OCTA图像中准确估计视野损失.
- 将DL应用于OCTA可能会增强对玻璃眼和其他视神经病变的临床决策.
- 这种方法有可能改善个性化的患者护理和中央VF损伤的风险分层.
