超广场和新的广场复合视网膜图像记录与AI支持的管道和3D扭曲校正算法
Fritz Gerald P Kalaw1,2,3, Melina Cavichini1,2, Junkang Zhang4
1Jacobs Retina Center, University of California, San Diego, CA, USA.
Eye (London, England)
|December 19, 2023
概括
与传统方法相比,一种新的人工智能 (AI) 方法显著改善了外围视网膜血管对齐. 这种人工智能方法提高了来自不同设备的视网膜图像叠加的准确性.
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:
- 精确地覆盖外围视网膜血管对于诊断和监测眼睛疾病至关重要.
- 传统的图像对齐方法在精度上可能有局限性,特别是对于来自不同成像设备的数据.
研究的目的:
- 为了比较一种新的人工智能 (AI) 调整方法与用于覆盖外围视网膜血管的传统数学曲线.
- 评估AI在共定位来自共聚焦扫描激光眼镜 (cSLO) 广场和超广场SLO设备的图像中的准确性.
主要方法:
- 来自两个设备 (Heidelberg Spectralis cSLO和Optos超宽场SLO) 的外周视网膜图像进行了分析.
- 使用随机样本共识-样本和共识集 (RANSAC-SC) 的传统方法与人工智能算法 (异常拒绝卷积神经网络 [OR CNN] 与扭曲校正 [DC]) 相比较.
- 调整的准确性是通过在四个象限的棋盘模式中对外围血管进行分级来评估的.
主要成果:
- 人工智能方法 (OR CNN + DC) 在外围视网膜血管对齐方面表现优于RANSAC-SC.
- 人工智能方法的子得分高于RANSAC-SC.
- 与RANSAC-SC (2/5) 相比,与AI方法一致的图像获得了显著更高的中位数评分 (4/5) ,获得更好的分级水平的几率是4.8倍 (p < 0.0001).
结论:
- 开发的AI算法在外围视网膜血管对齐方面明显优于传统的RANSAC-SC.
- 这种人工智能驱动的方法有望改善视网膜解剖学和病理学的共同定位,可能有助于临床诊断和研究.
