通过OCT/OCTA图像的高级分析,使用深度学习技术准确区分青光眼和健康眼睛

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结构和功能变化.
• 光学连贯断层扫描 (OCT) 和OCT血管扫描 (OCTA) 提供了详细的视网膜成像.
• 深度学习 (DL) 在分析复杂的医学图像以检测疾病方面表现有前途.

研究的目的:

• 评估OCT和OCTA图像的辨别能力.
• 确定OCT和OCTA成像的最佳组合,以区分青光眼与健康的眼睛.
• 使用卷积神经网络 (CNN) 进行图像分析和分类.

主要方法:

• 一项涉及157名受试者和1106名眼部扫描的横截面研究.
• 从表面和状层对斑点 (M) 和光盘 (D) 的血管密度 (OCTA) 和结构厚度 (OCT) 的面部图像的分析.
• 一个由两个组件组成的CNN架构,用于特征提取和将眼睛分类为健康或眼,性能通过精度,灵敏度,特异性和AUC进行评估.

主要成果:

• 对于OCT图像,结合斑点和圆盘 (D+M) 的成像效果优于单个斑点或圆盘成像.
• 在所有指标上,OCTA D+M成像显示出比单独的D或M更优异的性能.
• 在磁盘成像中,OCTA在精度,灵敏度和特异性方面超过了OCT和OCT+OCTA组合.
• OCTA D+M组合显示了最好的整体性能,其次是OCT+OCTA D+M组合.

结论:

• OCTA D+M组合是最有效的绿眼病诊断方法.
• 当OCT和OCTA双面图像都可用时,最好选择OCTA.
• 整合磁盘和斑点成像对于在青光眼检测中实现最佳诊断准确性至关重要.