学校儿童近视和 fundus tessellation 之间的关联:使用深度学习对黄斑和周边毛囊区域进行比较分析

科学领域:

• 眼科医生 眼科 眼科
• 医疗成像医学成像
• 儿科眼科护理 儿科眼科护理

背景情况:

• Fundus tessellation (FT) 是儿科眼中的一个常见观察.
• 了解FT的分布模式及其与折射误差的关联对于早期近视检测至关重要.
• 深度学习 (DL) 为量化眼睛特征提供了先进的功能,例如FT密度 (FTD).

研究的目的:

• 根据黄斑或周状 fundus tessellation (FT) 分布模式,评估学龄儿童的折射差异.
• 利用深度学习 (DL) 技术来量化底层模块化密度 (FTD).

主要方法:

• 1942年对6-15岁的学龄儿童进行的横截面研究,涉及眼部生物识别,循环折和 fundus 摄影.
• 基于深度学习 (DL) 的图像处理被用来从45度彩色底部照片中量化斑点 (6毫米) 和周周 (4毫米) 区域的FTD.
• 根据各区域较高的FTD,儿童被分类为斑点或周围斑点FT分布组,以对轴长度 (AL),角膜半径和折射进行比较分析.

主要成果:

• 黄斑FT分布组的轴长 (AL) (24.13毫米对比23.93毫米) 和近视折射率 (-1.13 D对比-0.75 D) 显著更大 (P < 0.001) 与周围毛囊组相比.
• 斑点分布的FT在近视儿童中更为普遍 (χ2 = 131.675,P < 0.001).
• 球体等效 (SE) 显示出与黄斑 (r = -0.238) 和周边皮皮 FTD (r = -0.195) 两者的负相关性,而AL在两个区域 (r = 0.308; r = 0.265) 与FTD的正相关性 (所有P < 0.001).

结论:

• 黄斑FT分布模式与学龄儿童的轴长度增加和近视折射显著相关.
• 这一发现表明,黄斑FT分布可能成为识别患近视进展风险的儿童的潜在标志物.
• DL分析准确地识别FT模式,有可能改善高风险近视的早期检测.