相关实验视频
Updated: Jul 11, 2025
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.7K
视网膜神经纤维层厚度地图中的人工物校正使用深度学习及其在玻璃眼的临床实用性
Min Shi1, Jessica A Sun2, Anagha Lokhande1
1Harvard Ophthalmology AI Lab, Schepens Eye Research Institute of Massachusetts Eye and Ear, Harvard Medical School, Boston, MA, USA.
Translational vision science & technology
|November 7, 2023
概括
深度学习可以纠正视网膜神经纤维层厚度 (RNFLT) 在青光眼中的人工物,改善视野和进展预测. 这增强了RNFLT地图的临床实用性,以更好地管理患者.
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:
- 青光眼的诊断和监测依赖于精确的视网膜神经纤维层厚度 (RNFLT) 测量.
- 在RNFLT地图中的人工物可能会损害诊断准确性和治疗计划.
- 深度学习为纠正这些文物提供了一个潜在的解决方案.
研究的目的:
- 开发和评估用于纠正RNFLT文物的深度学习模型.
- 评估对人工物纠正的RNFLT地图在绿眼病管理中的临床有用性.
主要方法:
- 一个深度学习模型被训练使用一个大数据集的光学连贯性断层扫描 (OCT) 和视野 (VF) 测量.
- 高质量的RNFLT地图作为地面真理,而伪文物被创建并叠加在低质量的地图上.
- 通过分析其对结构-功能关系和进展预测的影响来评估模型的性能.
主要成果:
- 文物校正模型表现出高准确度,平均绝对误差为9.89μm,Pearson相关性为0.90.
- 文物校正显著改善了视野结果的预测,特别是在具有更高文物比率的地图上.
- 该模型提高了对青光眼进展预测的准确性,正如点向和平均偏差进展的改善AUC值所表明的那样.
结论:
- 基于深度学习的文物校正有效地提高了绿眼的RNFLT测量的准确性.
- 修正后的RNFLT地图可以更好地预测视野变化和疾病进展.
- 这种方法显著提高了RNFLT图的临床可用性,有助于更好的青光眼诊断和管理.
