视觉神经结构图案的可视化在使用深度学习变异自编码器的纸瘤
Jui-Kai Ray Wang1,2,3, Edward F Linton1,2, Brett A Johnson2
1Center for the Prevention and Treatment of Visual Loss, Iowa City VA Health Care System, Iowa City, IA, USA.
Translational vision science & technology
|January 17, 2024
概括
一个新的深度学习模型有效地可视化和量化视觉神经胀在 papilledema 患者. 这种方法使用两个变量来捕捉治疗期间的各种结构模式和治疗效果.
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:
- 乳头发疹,一个增加内压力的迹象,导致视神经胀.
- 精确的视觉化和视觉神经的量化对于监测治疗疗效至关重要.
- 目前的方法可能无法完全捕捉光盘的复杂结构模式.
研究的目的:
- 开发和验证一个深度学习模型,用于可视化和量化视觉神经瘤在 papilledema 的结构性模式.
- 评估模型能够表示多种形态模式和治疗效果的能力.
主要方法:
- 一个双通道深度学习变异自编码器 (biVAE) 被训练在光学连贯性断层扫描 (OCT) 扫描从 papilledema 患者和对照.
- 评估了biVAE模型对其使用两个潜在变量量化和重建 papilledema 空间模式的能力.
主要成果:
- 双VAE模型生成了组合彩色图,可视化了各种光盘胀模式.
- 潜空间分析显示了乙胺胺与安慰剂的治疗效果.
- 图像重建显示了对周周状视网膜神经纤维层厚度 (pRNFLT) 和结构相似性的高准确性.
结论:
- 一个biVAE模型可以使用仅两个潜在变量来量化广泛的 papilledema 结构模式.
- 该模型将圆盘胀的大小与视网膜形态相结合,以进行全面的评估.
- 这种方法提供了一种在治疗过程中可视化和量化乳瘤的新方法.
