视网膜生物标志物的自动识别和严重性分类 SD-OCT 使用扩展深度可分离的卷积ResNet与SVM分类器
Adithiya S V1, Dharani Bai G1, Rajiv Raman2
1School of Electronics Engineering, Vellore Institute of Technology, Vellore, Tamil Nadu, India.
Current eye research
|January 22, 2024
概括
这项研究引入了一种混合AI模型,用于从OCT扫描中检测和评分Uveitic Macular Edema (UME) 中的生物标志物. 该模型准确地识别了关键指标,改善了对危及视力的疾病的早期诊断和治疗.
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:
- 通过光谱域OCT (SD-OCT) 诊断Uveitic Macular Edema (UME) 诊断对于监测视力障碍至关重要.
- 在OCT B扫描中识别诸如内囊 (IRC),高反射焦点 (HRF),硬排泄物 (HE) 和神经感官脱落 (NSD) 等生物标志物是具有挑战性和耗时的.
研究的目的:
- 开发一个自动化图像分类混合框架,用于UME生物标志物检测和严重性预测.
- 提高ULT B扫描中UME生物标志物分析的效率和准确性.
主要方法:
- 使用了来自85名乌维特患者的10880个B扫描数据集.
- 开发了一种具有SVM分类器的新型扩展深度可分离卷积解析网 (DDSC-RN),用于生物标志物识别和严重程度分级.
- 该框架是为网络压缩和捕获多层次特征而设计的,而不会影响准确度.
主要成果:
- 混合模型在识别生物标记物方面达到98.64%的准确性,与最先进的模型相比.
- SVM分类器预测了生物标志物的严重程度,总的准确率为89.3%.
- 该模型在复杂的OCT B扫描中识别多个生物标志物方面表现出卓越的性能.
结论:
- 一个新的混合模型准确地识别和评分四个关键的视网膜生物标志物在UME的OCTB扫描中.
- 开发的模型提高了UME临床查的有效性,可能导致改善患者治疗结果.
- 这种人工智能驱动的方法为分析眼科中OCT复杂数据提供了更有效的方法.
