评估2D和3DCNN算法在基于OCT的青光眼检测中的有效性

科学领域:

• 眼科和医学成像学
• 医疗保健中的人工智能
• 神经科学和视觉科学 神经科学和视觉科学

背景情况:

• 玻璃眼是不可逆转失明的主要原因,需要早期和准确的诊断以进行有效的管理.
• 光学连贯断层扫描 (OCT) 提供视觉神经头部 (ONH) 和斑点的高分辨率成像,这对于对青光眼的评估至关重要.
• 卷积神经网络 (CNN) 越来越多地用于分析OCT图像,但2D与3DCNN在青光眼检测中的比较有效性尚未得到充分证实.

研究的目的:

• 为了比较2D-CNN模型的诊断性能,3D-CNN适应和定制的3D-CNN编码器用于使用体积OCT图像检测青光眼.
• 为了评估这些算法的有效性,数据集集中在斑点和视神经头部 (ONH) 上.
• 评估2D和3D CNNs在推进自动化玻璃眼诊断系统中的实用性,特别是考虑到预训练3D模型的有限可用性.

主要方法:

• 使用最先进的 (SOTA) 2D-CNN模型及其3D调整,使用特定的重量转移技术.
• 开发并测试了一种定制的5层3D-CNN-Encoder算法.
• 在两个不同的数据集上评估模型性能,包括斑点和ONH OCT扫描.

主要成果:

• 在这两个数据集中,2D-CNN算法在青光眼检测方面始终超过了其3D对手.
• 曲线下的高面积 (AUC) 值:0.960对于黄斑OCT图像和0.943对于ONHOCT图像.
• 通过使用体积 OCT 数据,证明了 2D CNNs 对于青光瘤检测的稳定性和有效性.

结论:

• 2D-CNN算法提供了一种强大而有效的方法,用于从体积OCT图像中检测青光眼,与经过测试的3D CNN相提并论或更好.
• 这些发现强调了2D CNN在临床环境中的实用性,特别是考虑到目前广泛预训练的3D模型的稀缺性.
• 这项比较分析支持将二维CNN集成到先进的眼科诊断系统中,以改善青光眼查和管理.