相关实验视频
Updated: Jun 20, 2025
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.6K
深度学习用于从 fundus 照片中预测圆形视网膜神经纤维层厚度,并诊断青光眼
Yongli Xu1,2, Hanruo Liu3,4, Run Sun2
1College of Statistics and Data Science, Beijing University of Technology, Beijing, China.
Heliyon
|July 23, 2024
概括
一种新的深度学习方法可以准确地预测视网膜神经纤维层厚度从 fundus 图像. 这种方法有助于使用预测的RNFLT数据来诊断青光眼.
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:
- 青光眼的诊断依赖于检测视神经头部和视网膜神经纤维层厚度 (RNFLT) 的变化.
- 评估RNFLT的传统方法通常需要专门的设备,如光学连贯性断层扫描 (OCT).
- 开发使用 fundus 摄影的自动化方法可以提高青光眼查的可访问性和效率.
研究的目的:
- 引入一种新的深度学习 (DL) 方法,用于从基底照片中自动预测RNFLT.
- 为了利用预测的RNFLT信息来诊断青光眼.
- 建立一个以OCT数据进行训练的DL模型,用于增强 fundus图像分析.
主要方法:
- 在1403对 fundus 照片和OCT RNFLT 扫描上训练了一个残留的深度神经网络.
- 该DL模型预测了RNFLT在fundus照片中的本地图像区域.
- 支持矢量机 (SVM) 基于从预测的RNFLT报告中得出的两个指标来诊断眼.
主要成果:
- 预测和实际RNFLT值之间的高相关性 (皮尔森的r=0.893,0.850,0.831跨数据集).
- 在RNFLT预测中的低平均绝对误差 (14.34519.250μm).
- 有效的玻璃眼瘤歧视,ROC曲线下的面积为0.860.0.
结论:
- 一种新的基于局部图像的DL方法使得RNFLT在底照片中进行定量评估,以诊断青光眼.
- 这种方法通过从眼底图像中预测客观细节,为诊断眼科疾病提供了一个新的范式.
- DL方法表明了自动化,可访问的玻璃眼查的潜力.
