基于几次射击学习与广场光学一致性断层扫描,血管造影的玻璃眼的诊断

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:

• 青光眼的诊断依赖于成像,但像广场光学连贯断层扫描血管造影 (WF-OCTA) 这样的新技术面临数据限制.
• 深度学习 (DL) 提供了图像分析的潜力,但其在WF-OCTA对玻璃眼的应用需要处理小数据集的方法.

研究的目的:

• 评估深度学习的实用性,特别是少数射击学习 (FSL),与WF-OCTA一起用于青光眼的诊断.
• 将基于FSL的WF-OCTA分析与传统的监督学习和传统的OCT参数进行比较.

主要方法:

• 使用WF-OCTA分析了195只眼睛的数据集 (82只正常,113只青光眼).
• 使用ResNet18作为特征提取器,ProtoNet算法为FSL进行分类提供了便利.
• 用AUC和准确度等指标评估模型性能,并对监督学习和标准OCT参数进行比较分析.

主要成果:

• 使用WF-OCTA实现了0.93的AUC和81%的准确性.
• 使用WF-OCTA监督学习的结果较低 (AUC为0.80,准确率为50%).
• 基于FSL的WF-OCTA表现优于传统的OCT基于参数的结果 (p <0.05).

结论:

• 深度学习,特别是FSL,在使用WF-OCTA图像进行青光眼诊断时是有效的.
• 在像WF-OCTA这样的新兴成像技术中,FSL成功地解决了有限数据的挑战.
• WF-OCTA对青光眼诊断具有显著的潜力,FSL为临床应用提供了可行的方法.