以人工智能为基础的3D分析与视网膜疾病相关的视网膜血管,使用OCT血管学
Yu Liu1, Zhenfei Tang1, Chao Li1
1School of Electronic Science and Engineering, University of Electronic Science and Technology of China, Chengdu, Sichuan 610054, China.
Biomedical optics express
|November 18, 2024
概括
这项研究引入了一种新的3D深度学习模型,用于使用OCT和OCT血管学 (OCTA) 数据进行视网膜血管细分和疾病分类. 该模型在细分视网膜血管系统和识别像AMD和RVO这样的疾病方面取得了高准确性.
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:
- 视网膜血管分析对于诊断眼睛,大脑和心血管疾病至关重要.
- 光学连贯断层扫描 (OCT) 和OCT血管扫描 (OCTA) 提供了视网膜结构的先进可视化.
- 现有的方法通常将分析限制在2D,限制对视网膜血管结构的全面理解.
研究的目的:
- 为3D视网膜血管细分开发一个多任务卷积神经网络.
- 为了使用多模式的OCT和OCTA数据准确地分类各种视网膜疾病.
- 为了克服当前视网膜成像技术中二维分析的局限性.
主要方法:
- 一个多任务卷积神经网络是使用多模式OCT和OCTA输入设计的.
- 该模型在230个数据集 (138,000张图像) 上进行了训练和验证,来自109名正常和患病眼睛的患者.
- 数据包括诸如与年龄相关的黄斑变性,视网膜静脉封闭和中央血清性胆色素变性等疾病.
主要成果:
- 获得了0.956的DICE系数,用于3D视网膜血管细分.
- 在视网膜疾病分类方面达到91.49%的准确性.
- 能够在不同层次的视网膜血管结构中进行3D重建和定量分析.
结论:
- 拟议的3D深度学习模型在细分视网膜血管和分类视网膜疾病方面表现出高效.
- 这种方法增强了对各种视网膜疾病中的3D血管特征和层间连接的理解.
- 该方法在2D分析上提供了显著的进步,用于全面的视网膜血管评估.
