通过联合运动校正和图形辅助3D神经网络进行视网膜OCT层细分.
Yiqian Wang1, Carlo Galang2, William R Freeman2
1Department of Electrical and Computer Engineering, University of California, San Diego, CA 92093, USA.
概括
这项研究引入了用于光学连贯断层扫描 (OCT) 分段的3D神经网络,提高了视网膜疾病的准确性. 与现有软件相比,新方法显著减少了错误,帮助数百万人进行诊断.
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 (OCT) 对于3D视网膜成像至关重要.
- 视网膜层的准确细分对于诊断眼睛和全身疾病至关重要.
- 现有的2D细分方法缺乏3D上下文信息和一致性.
研究的目的:
- 开发一种新的3D神经网络,用于增强海外国家和地区的图像细分.
- 将运动校正和细分集成到一个统一的3D框架中.
- 提高显著变形的视网膜疾病的诊断准确度.
主要方法:
- 提出了使用3D卷积的3D神经网络架构.
- 引入了一个新的图形金字塔结构,用图形启发的构建块.
- 编制了一个广泛的OCT细分数据集,对各种条件进行手动校正.
主要成果:
- 在三个数据集和多个仪器中实现了卓越的细分精度.
- 与用于患病视网膜的商业软件相比,平均细分错误从38.47%显著降低到11.43%.
- 与传统和现有的深度学习方法相比,表现出更好的性能.
结论:
- 拟议的3D神经网络在OCT视网膜层细分方面取得了重大进展.
- 提高准确性有利于诊断和评估主要视网膜疾病,如DME,湿 AMD和CRVO.
- 这项技术有可能影响全球数以千万计的患者.


