基于深度学习的小组点位空间映射结构到眼中的功能

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:

• 了解视神经头部 (ONH) 结构和视野 (VF) 功能之间的空间关系对于诊断和管理眼至关重要.
• 深度学习 (DL) 模型在预测3D光学连贯断层扫描 (OCT) 扫描中的VF灵敏度方面表现有前途.

研究的目的:

• 使用DL模型的阻塞分析,建立ONH结构和VF灵敏度之间的可概括的点向空间关系.
• 想象和理解特定的ONH区域对VF预测的贡献.

主要方法:

• 在12915个3D OCT-VF对上训练了一种DL模型,以预测52个VF灵敏度.
• 闭塞分析系统地评估了在996对的测试组中,个别的ONH voxels对VF预测的影响.
• 创建了t组统计地图,以可视化对每个VF测试点相应的统计意义上的ONH区域.

主要成果:

• 该研究确定了在ONH中具有影响力的结构位置,用于在健康到早期眼和中度到高级眼组中预测VF灵敏度.
• 发现的OCT结构和VF功能之间的空间相关性与现有的眼科知识保持一致.
• 两个维的群t统计图有效地将相关的ONH区域分配给特定的VF测试点.

结论:

• 这项研究成功地可视化了ONH和VF中的点对点结构功能关系,而不需要先前的细分或知识.
• 这些发现证明了机器学习模型的潜力,可以提供关于青光眼的强大,公正的见解.
• 该研究为从训练有素的ML模型中学习而没有先前存在的假设打开了可能性,提高了诊断能力.