光学连贯度的血管密度特征 扫描图谱 血管图谱 用机器学习对玻璃眼的分类
Jalil Jalili1, Mohadeseh Nadimi1, Behzad Jafari2
1Biomedical Engineering Unit, Cardiovascular Disease Research Center, Heshmat Hospital, School of Medicine, Guilan University of Medical Sciences, Rasht.
Journal of glaucoma
|November 17, 2023
概括
机器学习模型使用光学连贯性断层扫描 (光学连贯性断层扫描) 血管图像 (血管密度特征) 准确检测玻璃眼. 支持矢量机器模型实现了完美的准确性,显示了对青光眼诊断的高潜力.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 青光眼的检测依赖于识别视神经和视网膜神经纤维层的特征性变化.
- 光学连贯断层扫描血管造影 (OCTA) 可视化视网膜血管结构,提供了青光眼的潜在生物标志物.
研究的目的:
- 为了评估机器学习 (ML) 算法的有效性,在使用OCTA获得的周周血管密度特征来分类眼.
- 为了比较不同ML分类器 (SVM,Random Forest,Gaussian Naive Bayes) 在青光眼检测方面的性能.
主要方法:
- 从OCTA图像中提取了四个周周血管密度特征,使用基于值的细分.
- 这些特征被用来训练和测试三个ML模型:支持矢量机 (SVM),随机森林和高斯的天真贝叶斯.
- 使用接收器操作特征曲线 (AUC) 下的面积和准确度来评估性能,数据分为70%的训练和30%的测试集.
主要成果:
- 与健康的眼睛相比,眼的眼睛在各种值上表现出较低的血管密度.
- 在SVM分类器实现了1的AUC和1的准确性在70%和100%的值区分青光眼.
- 随机森林分类器表现出强的性能,AUC为0.993,准确度为0.994,在100%的值下.
结论:
- 整合来自OCTA的周状血管密度特征的ML模型显示了对玻璃眼瘤检测的出色性能.
- 整体和环形图像中的总血管和毛细血管密度特征的组合对于诊断青光眼的有效.
