多复合体非 perfusion 区域细分在宽场OCT血管学使用深度卷积神经网络.

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:

• 糖尿病视网膜病变 (DR) 诊断依赖于在视网膜血管中识别非 perfusion 区域 (NPA).
• 广场光学连贯断层扫描血管学 (OCTA) 提供了这些的详细成像.
• 准确的NPA细分对于评估DR严重程度和指导治疗至关重要.

研究的目的:

• 使用广场OCTA开发和验证一个卷积神经网络 (CNN),用于在多个视网膜血管中对NPA进行细分.
• 评估CNN区分信号减弱器件和真实流量缺陷的能力.

主要方法:

• 一个深度CNN与并行U-Net模块在202名DR参与者和39名健康对照者的广场OCTA扫描上进行了训练.
• 图像使用商业70kHz的OCT系统获取,并经过处理生成广场剪辑.
• 专家手动细分作为地面真相,用于评估的六倍交叉验证.

主要成果:

• 美国有线电视新闻网通过在表面,中间和深层毛细管中进行NPA检测的手动细分获得了很高的一致性 (F分数:0.84-0.87).
• 深层毛细管在区分糖尿病眼睛与健康对照和各种DR严重程度方面表现出高灵敏度.
• 综合的三重复合分析显示,在区分视力威胁的DR和非视力威胁的DR (81.0%) 中表现最好.

结论:

• 深度学习网络可以在广场OCTA上准确地对单个视网膜血管中的NPA进行细分.
• 这种自动化细分方法显示,有可能显著提高糖尿病视网膜病变的诊断准确性.