斑点和光盘 perfusion 的比较分析 之前和之后的油去除: 一个机器学习方法
Georgios Feretzakis1, Christina Karakosta2, Aris Gkoulalas-Divanis3
1School of Science and Technology, Hellenic Open University, Patras, Greece.
Studies in health technology and informatics
|August 23, 2024
概括
机器学习准确地预测了在去除油后的外视网膜流动. 然而,对这些眼科手术模型来说,预测特定区域的深毛细管血管密度仍然是一个挑战.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 油是视网膜脱落手术中常见的冲刷剂.
- 它的去除可能会影响眼球输液.
- 了解这些变化对于患者的治疗结果至关重要.
研究的目的:
- 为了分析斑点和光盘 perfusion 改变后的油去除.
- 开发机器学习模型,使用OCTA数据预测这些 perfusion 变化.
主要方法:
- 使用光学一致性断层扫描血管学 (OCTA) 数据.
- 采用高斯过程回归 (GPR) 和长短期记忆 (LSTM) 网络.
- 比较视网膜外侧的流量和深层毛细血管中的血管密度.
主要成果:
- 机器学习模型在预测外视网膜流动方面显示出合理的准确性.
- 预测深层毛细血管中的血管密度,特别是上层血脉和外周血脉中的血管密度,证明具有挑战性.
结论:
- 机器学习显示了个性化眼科患者护理的潜力.
- 预测复杂的眼球输液变化需要进一步的研究和模型改进.
