视网膜特征的定量表征在翻译的OCTA中
Rashadul Hasan Badhon1, Atalie Carina Thompson2, Jennifer I Lim3
1Department of Electrical and Computer Engineering, University of North Carolina at Charlotte, Charlotte, NC, United States.
Experimental biology and medicine (Maywood, N.J.)
|November 7, 2024
概括
生成型机器学习从OCT扫描中翻译光学一致性断层扫描血管学 (OCTA),使客观的视网膜疾病诊断成为可能. 这种方法提高了详细血管成像的可访问性,以改善临床检测.
科学领域:
- 眼科和医学成像学
- 医疗保健中的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 光学一致性断层扫描血管图 (OCTA) 提供了详细的视网膜血管图像,但面临着采用限制.
- 定量OCTA特征对于表征视网膜血管变化和诊断疾病至关重要.
- 生成型机器学习 (ML) 为图像翻译和特征提取提供了潜力.
研究的目的:
- 探索使用生成式ML的可行性,以将光学一致性断层扫描 (OCT) 图像转换为定量OCTA特征.
- 用翻译的OCTA (TR-OCTA) 来对视网膜血管变化的特征进行客观的疾病诊断.
- 评估TR-OCTA在增强视网膜疾病临床诊断过程中的潜力.
主要方法:
- 采用生成对抗网络 (GAN) 框架,使用2D血管细分和OCTA图像翻译模型.
- 在OCT-500公共数据集上训练模型,并使用来自伊利诺伊大学芝加哥分校 (UIC) 视网膜诊所的数据进行验证.
- 评估了TR-OCTA的质量和定量血管特征 (曲率,血管周长指数,密度) 与地面真实性OCTA (GT-OCTA) 相比.
主要成果:
- 在不同扫描范围中,TR-OCTA显示出高图像质量 (分辨率,对比度) 和适度的结构相似性与GT-OCTA.
- 血管特征如曲度和血管周长指数显示出一致的趋势,优于受局部扭曲影响的密度特征.
- 对未见的UIC数据的验证证实了类似的趋势,表明尽管对此数据集的模型失明,但推断性能强.
结论:
- 基于ML的OCTA翻译可用于表征视网膜血管变化.
- 通过提供可靠的血管特征,TR-OCTA使客观的疾病诊断成为可能,解决了OCTA采用的局限性.
- 这项技术提高了详细血管成像的可访问性,潜在地改善了视网膜疾病诊断,并减少了对专门设备的依赖.
