基于深度学习的轴长度估计,使用黄斑光学连贯性断层扫描图像
Jing Liu1,2, Hui Li1, You Zhou3
1Department of Ophthalmology, Beijing Hospital, National Center of Gerontology, Institute of Geriatric Medicine, Chinese Academy of Medical Sciences, Beijing, China.
Frontiers in medicine
|December 4, 2023
概括
使用斑点光学连贯断层扫描 (OCT) 图像的深度学习模型可以准确地估计轴长 (AL). 这些模型的性能优于传统方法,识别局部的黄斑特征对于了解AL相关条件至关重要.
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:
- 轴长度 (AL) 估计对于诊断和管理各种眼睛疾病至关重要.
- 斑点光学连贯断层扫描 (OCT) 图像提供了详细的视网膜可视化.
- 开发用于AL估计的非侵入性方法是一个正在进行的研究领域.
研究的目的:
- 开发和评估深度学习模型,以使用黄斑OCT图像来估计轴长 (AL).
- 将深度学习模型的性能与基于视网膜厚度的传统方法进行比较.
- 为了确定与轴长度相关的特定斑点特征.
主要方法:
- 利用来自444名没有黄斑病症的患者的2,664张黄斑OCT图像.
- 开发和训练了三种预训练的深度学习模型 (ResNet 18,ResNet 50,ViT) 用于二进制分类和回归任务.
- 采用十倍交叉验证和Grad-CAM分析用于模型评估和特征可视化.
主要成果:
- ResNet 50实现了高精度 (87.2%) 和AUC (0.929) 的AL估计从OCT图像.
- 深度学习模型的表现明显优于视网膜厚度测量 (AUC 0.747,准确率为77.8%).
- 格拉德-CAM分析将AL相关的黄斑特征局部化到膜和相邻的黄斑区域.
结论:
- 用深度学习分析的斑点OCT图像提供了一种有效的方法来估计轴长度.
- 已识别的局部黄斑特征为AL相关的黄斑病变的发病过程提供了洞察力.
- 这种方法为未来对AL相关视网膜疾病的研究奠定了基础.
更多相关视频
10:10Ultrahigh Resolution Mouse Optical Coherence Tomography to Aid Intraocular Injection in Retinal Gene Therapy Research
Published on: November 2, 2018
9.3K
07:18Evaluation of Capillary and Other Vessel Contribution to Macular Perfusion Density Measured with Optical Coherence Tomography Angiography
Published on: February 18, 2022
1.8K