基于深度学习的视网膜层细分在光学一致性断层扫描中 扫描患有遗传视网膜疾病的患者
Franziska Eckardt1, Robin Mittas2, Nastassya Horlava2
1Department of Ophthalmology, LMU University Hospital, LMU Munich, Munich, Germany.
Klinische Monatsblatter fur Augenheilkunde
|December 12, 2023
概括
一个人工智能算法准确地对遗传视网膜疾病 (IRD) 患者的光学连贯性断层扫描 (OCT) 中的外核层 (ONL) 进行细分. 这种人工智能工具有助于评估光受体保护,用于未来的IRD研究.
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:
- 光学连贯断层扫描 (OCT) 对于评估在遗传性视网膜疾病 (IRDs) 中的光受体保护至关重要.
- 在OCT扫描中的外核层 (ONL) 厚度是光受体健康的关键生物标志物.
- 现有的自动化OCT细分方法对于IRD患者来说不足,需要手动细分.
研究的目的:
- 开发一种基于人工智能 (AI) 的算法,用于在IRD患者的OCT扫描中准确细分ONL.
- 在IRDs的背景下克服当前自动化细分工具的局限性.
- 在IRD研究中为视网膜结构的定量分析提供可靠的工具.
主要方法:
- 一个基于U-net的人工智能模型使用健康个体的OCT扫描进行了训练.
- 采用域调整技术,将训练模型应用于IRD患者的OCT扫描.
- 算法的性能在测试数据集上得到验证.
主要成果:
- 一个人工智能驱动的图像细分算法已成功开发,用于在IRD患者OCT扫描中可靠的ONL细分.
- 该算法在测试数据集上获得了98.7%的高子得分,表明了出色的细分精度.
- 为个别患者生成全视网膜和ONL层的厚度图.
结论:
- 在OCT扫描中,精确的解剖层细分对于将视网膜结构与视觉功能相关联的预测模型至关重要.
- 开发的AI细分算法为遗传性视网膜疾病的先进研究提供了坚实的基础.
- 这种工具有潜力显著提高在IRD研究中OCT分析的效率和准确性.
