通过应用深度学习变异自编码器方法对光学连贯断层扫描来量化视网膜质细胞损失和视觉神经病变的进展的空间模式

科学领域:

• 眼科医生 眼科 眼科
• 人工智能的人工智能
• 医学成像分析 医学成像分析

背景情况:

• 玻璃眼,视神经炎 (ON) 和非动脉炎前部缺血性视神经病变 (NAION) 导致明显的视网膜质细胞 (RGC) 损伤模式.
• 精确的可视化和RGC损失的量化对于诊断和管理这些视觉神经病变至关重要.

研究的目的:

• 开发和验证一个助推器变化自编码器 (bVAE) 模型,用于捕获RGC损失的空间变化.
• 为了生成隐藏空间 (LS),组装图可视化视觉神经束损伤模式.
• 为了使随着时间的推移跟踪RGC稀释,并对潜在的视神经病变原因进行分类.

主要方法:

• 设计了一个bVAE模型,包括一个编码器,显示解码器和助推解码器.
• 编码器将质细胞层 (GCL) 厚度图分解为显示潜变量 (dLV) 和助推潜变量 (bLV).
• 使用XGBoost分析GCL稀释评估和疾病分类的潜在变量,使用10,701个OCT黄斑扫描.

主要成果:

• 结合bLVs提高了GCL厚度图重建的准确性 (RMSE从5.55降至4.02μm).
• 在XGBoost模型中,对于异常的GLC稀释检测 (0.98) 和疾病分类 (0.95对于玻璃眼,0.84对于ON,0.93对于NAION) 实现了高AUC.
• bLVs进一步增强了疾病分类的AUC,达到0.96 (青光眼),0.93 (ON) 和0.99 (NAION).

结论:

• bVAE模型为可视化和量化光神经病变中GCL稀释提供了一种新的方法.
• 联合使用dLVs和bLVs有效捕捉空间特征,并有助于疾病预测和分类.
• 未来的研究将探索整合额外的成像模式,以提高诊断能力.