使用卷积神经网络在视网膜色素炎中基于斑点功能的 fundus 自光图像的分类
Taro Kominami1, Shinji Ueno2,3, Junya Ota2
1Department of Ophthalmology, Nagoya University Graduate School of Medicine, 65 Tsuruma- cho, Showa-ku, Nagoya, 466-8550, Japan. taro.kominami@gmail.com.
Japanese journal of ophthalmology
|February 12, 2025
概括
卷积神经网络 (CNNs) 在分类视网膜炎色素质炎 (RP) 严重程度方面表现有前途. 底部自光 (FAF) 图像在评估RP患者中枢视力损失方面,比彩色底部图像获得了更高的准确性.
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:
- 视网膜色素炎 (RP) 是一组遗传性疾病,其特点是逐渐失去视力.
- 准确评估RP严重程度对于患者的管理和治疗至关重要.
- 目前用于评估RP中部视力损失的方法可能是主观的和耗时的.
研究的目的:
- 研究卷积神经网络 (CNN) 在使用基底自流光 (FAF) 和彩色基底图像来分类RP严重性的有效性.
- 为了比较FAF和色底图像的实用性,用于RP的自动严重性分类.
主要方法:
- 一项追溯观察性研究,涉及165名RP患者.
- 通过对FAF和色底图像的转移学习,CNN模型 (VGG16) 接受了训练,以将患者分为轻度或重度视力损失组.
- 患者根据汉弗里野外分析仪的结果 (轻度>-10dB,重度<-20dB) 进行分类.
主要成果:
- 使用FAF图像的CNN分类的最高准确率为87.50%,使用彩色基底图像的63.75%.
- FAF图像在区分轻度和重度RP病例方面表现出卓越的表现.
- 使用数据增强技术来增强培训数据集.
结论:
- FAF成像对RP中中央视觉功能的准确,自动评估具有显著的潜力.
- 与标准色底图像相比,FAF图像似乎含有更相关的参数来评估视觉功能.
- CNNs可以有效地利用FAF成像进行客观的RP严重程度分类.
