混合深度学习和最佳图形搜索方法用于光学连贯性断层扫描在影响视神经的疾病中的层分段
Zhi Chen1,2, Honghai Zhang1,2, Edward F Linton3
1Iowa Institute for Biomedical Imaging, University of Iowa, Iowa City, IA 52242, USA.
Biomedical optics express
|June 13, 2024
概括
深度LOGISMOS在OCT图像中准确地细分视网膜层,优于现有的视神经疾病评估方法. 这种先进的深度学习方法提高了精确的疾病诊断和管理的稳定性和通用性.
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:
- 在光学连贯断层扫描 (OCT) 中精确细分视网膜层对于诊断视神经疾病至关重要.
- 现有的自动化方法与病理变异作斗争,比如质细胞内状层 (GCIPL) 的极端稀薄.
研究的目的:
- 开发和评估Deep LOGISMOS,一种混合深度学习和3D图表搜索算法,用于改进视网膜层细分.
- 提高OCT图像细分的准确性,稳定性和通用性,特别是在不规则层拓的情况下.
主要方法:
- 深度LOGISMOS在124个OCT卷上接受了非动脉炎前部缺血性视神经病变 (NAION) 患者的训练.
- 该算法在横截面数据集 (NAION,青光眼,多发性硬化症/控制) 和纵向青光眼数据集上进行了测试.
- 使用Dice相似系数评估性能,并与已建立的算法 (爱荷华州,nnU-Net) 进行比较.
主要成果:
- 在GCIPL细分方面,Deep LOGISMOS获得了高的子分数 (例如,Test-JHU的94.06%).
- 它显著超过了爱荷华州的参考算法 (1.017.5%的改进) 和nnU-Net (1.04.4%的改进).
- 在五年内,可靠的纵向GCIPL厚度测量在严重的玻璃眼病例中被证明是可靠的.
结论:
- 深度LOGISMOS为OCT图像中的视网膜层细分提供了强大而准确的解决方案.
- 该方法显示了用于精确量化视网膜结构的显著潜力.
- 这有助于诊断和管理视神经疾病,包括玻璃眼和NAION.
