从彩色 fundus 图像和人工智能生成的光素血管造影中对非 perfusion 区域进行深度学习细分
Kanato Masayoshi1, Yusaku Katada1,2, Nobuhiro Ozawa1,2
1Laboratory of Photobiology, Keio University School of Medicine, 35 Shinanomachi, Shinjuku-Ku, Tokyo, Japan.
Scientific reports
|May 11, 2024
概括
深度学习模型可以从色底图像中检测视网膜非 perfusion 区域 (NPA),为侵入性光素血管学 (FA) 提供替代方案. 合成FA增强了预测稳定性,并减少了对分支视网膜静脉封闭 (BRVO) 患者NPA检测的不确定性.
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:
- 非输液区域 (NPA) 对于分支视网膜静脉封闭 (BRVO) 的视觉预后至关重要.
- 目前使用光素血管造影 (FA) 的NPA评估是侵入性的和繁的.
- 开发非侵入性方法来检测NPA是必不可少的.
研究的目的:
- 用彩色基底图像评估NPA检测的深度学习模型.
- 评估由色底图像生成的合成FA对NPA检测的实用性.
- 为了比较在FA,色底图像和合成FA中训练的模型的性能和稳定性.
主要方法:
- 从319名BRVO患者中回顾收集了403个配对的色底和FA图像.
- 训练三个深度学习模型:一个是FA,一个是彩色基底图像,一个是合成FA.
- 评估使用子得分和蒙特卡洛学为不确定性评估.
主要成果:
- 这三种深度学习模型都在NPA检测方面表现相似.
- 在模型之间没有发现子中位数得分的统计学意义.
- 与FA和合成FA模型相比,色底模型的预测不确定性明显更高 (p < 0.05).
结论:
- 深度学习模型可以准确地从彩色基底图像中检测NPA,为FA提供一个不那么侵入性的替代方案.
- 合成FA提高了预测稳定性,减少了不确定性,提高了NPA检测的可靠性.
- 带有深度学习的彩色底部成像显示了BRVO中NPA评估的前景,合成FA提供了更好的稳定性.
