基于使用深度学习的OCT血管图的视网膜血管的差异化
Jamie L Shaffer1,2, Luis De Sisternes3, Anand E Rajesh1,2
1Department of Ophthalmology, UW Medicine, Seattle, Washington.
Ophthalmology science
|December 3, 2024
概括
这项研究表明,深度学习可以仅使用OCT血管学 (OCTA) 数据对视网膜血管进行细分,从而消除了对结构性OCT图像的需求. 合成的2类图像显著改善了细分性能.
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:
- 光学连贯断层扫描血管图 (OCTA) 对于可视化视网膜血管结构至关重要.
- 传统的方法依赖于结构光学连贯断层扫描 (OCT) 来区分血管.
- 血管结合体并不总是与视网膜层保持一致,这带来了细分挑战.
研究的目的:
- 开发一种深度学习模型,从OCTA图像中对表面,深度和血管外进行细分.
- 为了实现细分,而不依赖于结构性OCT输入或预定义的细分边界.
- 为了评估单独使用OCTA数据用于plexus细分的有效性.
主要方法:
- 在235个OCTA立方体 (705张图像) 上训练和评估了基于U-Net的深度学习模型,来自33名患者.
- 微弱标记的图像得到了增强,并创建了合成的2类图像以增强训练.
- 该模型的通用化在来自OCTA卷的多类薄板上进行了测试.
主要成果:
- 该模型在单个类图像上获得了高的子得分 (>0.82),并且在合成的2类图像上显著改进 (>0.95).
- 该模型成功地在多类板块数据上进行了交叉标签,证明了概括性.
- 单独使用OCTA数据,可以有效地对视网膜血管进行细分.
结论:
- 深度学习模型可以仅使用OCTA数据对表面,深度和非血管视网膜进行细分.
- 对于精确的plexus细分,不需要依赖于结构性OCT层分段作为边界.
- 使用合成2类图像在基于OCTA的细分中提供了显著的性能改进.
