使用深度学习对视网膜血管泄漏和视网膜血管炎中阻塞进行细分
Dhanach Dhirachaikulpanich1,2,3, Jianyang Xie1, Xiuju Chen4
1Department of Eye & Vision Sciences, University of Liverpool, Liverpool, UK.
Ocular immunology and inflammation
|January 23, 2024
概括
深度学习模型可以在光体血管学 (FA) 图像中对视网膜血管炎 (RV) 患者的视网膜血管泄漏和阻塞进行可靠的细分. 这一进步有助于通过准确识别关键病理特征来诊断和管理RV.
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:
- 视网膜血管炎 (RV) 呈现于视网膜血管泄漏或封闭,可通过光素血管学 (FA) 检测到.
- 目前的方法缺乏标准化的方法来对FA图像中的这些RV特征进行细分.
研究的目的:
- 开发和评估一个深度学习模型,用于对视网膜血管泄漏和视网膜血管闭塞患者的细分.
主要方法:
- 使用82名RV患者的463张FA图像开发了一个深度学习模型.
- 数据集分为培训 (60%),验证 (20%) 和测试 (20%) 集.
- 评估了各种深度学习架构 (DeeplabV3 +,UNet ++,UNet) 关于泄漏和封闭的最佳二进制细分,使用Dice分数进行可靠性评估.
主要成果:
- 血管泄漏的最佳模型获得了0.6279 (95% CI 0.5584-0.6974) 的Dice分数.
- 遮蔽的最佳模型产生了0.6992 (95% CI 0.6109-0.7874) 的子得分.
结论:
- 开发的深度学习模型在对视网膜血管泄漏和封闭在VR患者的FA图像中的细分方面表现出可靠的性能.
- 这项技术为改善视网膜血管炎的诊断和监测提供了潜在的工具.


